由西北太平洋国家实验室的Melissae Fellet制作
一项案例研究探索了使用反事实推理算法来测试人工智能如何能够使用生物医学信息预测患者的结果
信用:香农·科尔森|太平洋西北国家实验室 当这种新型冠状病毒去年导致全球大流行时，医生和研究人员争相尽可能多地了解这种病毒以及我们的身体如何应对它
他们需要大量信息，而且需要得很快
医生们研究了现有药物是否能有效治疗新冠肺炎症状
病毒学家、生物学家和化学家争相了解病毒如何影响细胞的分子工作，这是设计治疗感染和由此导致的疾病的药物的关键信息
医疗和生物数据流动迅速而猛烈
根据《数字科学》制作的维度数据库，2020年发表的全球研究中，超过4%与COVID相关
然而，每一项研究都只是对定义这种严重呼吸综合征的巨大生物学难题提供了一点见解 在杂乱或不完整的数据海洋中寻找意义，正是太平洋西北国家实验室(PNNL)的数据科学家所做的事情
凭借将基于图形的机器学习、详细的分子建模和可解释的人工智能应用于国家安全和基础科学问题的专业知识，PNNL的研究人员现在将他们的人工智能工具转向研究关于COVID治疗的基本问题
他们所学到的东西使计算工具箱中可用的工具变得更加清晰，以便对未来的大流行做出快速反应
通过反事实推理想象个体治疗效果 每当新冠肺炎病例在世界另一个地方激增时，获得治疗就成为一个问题
当病人多于治疗供应时，医生们就如何利用现有的医疗资源以获得最大利益做出了艰难的决定
可以成为这些决策一部分的一种思维是反事实推理
这包括将接受治疗的患者的结果与他们想象的结果进行比较，如果与事实相反，他们没有接受治疗是因为知道与以前的患者情况如何相似
人工智能算法也可以使用反事实推理，只要它们有足够的先验知识可以借鉴
去年与COVID相关的大量研究为计算科学家杰里米·祖克和他的同事提供了一批关于新型冠状病毒以及我们的免疫系统如何对其做出反应的生化细节
综合起来，这些细节可以用称为知识图的数据科学方法来表示
该团队使用该知识图推导出一个反事实模型，用于回答一个关于新冠肺炎治疗结果的特定科学问题
Zucker说:“借助利用关于COVID疾病进展和治疗反应的生物医学实验知识的数据科学，人工智能可以学会更精确地预测治疗对单个患者结果的影响。”
该团队应用这样一个人工智能框架来模拟从患有严重新冠肺炎病的假想患者身上收集的特定生化数据
每个患者都有不同的病毒载量，服用不同剂量的药物，要么康复，要么死亡
在每种情况下，研究小组都想预测如果没有接受药物治疗，幸存的患者是否会死亡，或者如果他们死亡，如果他们接受了更高剂量的药物治疗，他们是否会存活
与简单预测治疗后平均患者结果的算法相比，该分析提供了关于治疗对个体患者潜在益处的更精确信息
针对一种重要病毒蛋白的高通量生化分析，结合基于人工智能的筛选，从13，000多种测试中鉴定出一种分子，具有抗新型冠状病毒病毒的活性
学分:蒂莫西·荷兰|太平洋西北国家实验室 科学家们在最近一期《新冠肺炎和人工智能大数据的IEEE交易》特刊上发表的一篇论文中报告了他们的反事实推理算法的几个案例研究
这项工作是PNNL资助的“科学中的人工推理数学”(MARS)倡议的一部分，并在DARPA建模对抗活动项目中得到应用和评估，该项目正在大规模使用因果知识图来对抗新冠肺炎
协助药物再利用的分子模型 尽管新型冠状病毒的疫苗在世界各地越来越多，但减缓病毒及其变种的传播仍需要时间
因此，仍然需要治疗新冠肺炎的药物，原先为其他疾病开发的现有批准药物可能会有用
来自PNNL和华盛顿大学(UW)医学院的科学家团队从现有的药物库中筛选了13，000多种化合物，以测试其抑制新型冠状病毒新型冠状病毒中由遗传信息产生的一种重要蛋白质的能力
利用一系列高通量的生化测量和基于人工智能的筛选，他们的工作从这些收集物中鉴定出一种具有抗新型冠状病毒病毒活性的分子
韦斯利·范·沃里斯和他的UW团队利用一连串的生化测试，将数千个分子筛选出三个在纯化蛋白质实验中有效的抑制剂
在PNNL，数据科学家尼拉杰·库马尔和他的同事们使用基于人工智能的分子建模来预测每个命中与病毒蛋白nsp15结合的位置
化学家莫威·周利用美国环境分子科学实验室(EMSL)的资源，对与天然折叠形式的nsp15相关的每个hit进行了质谱测量
S
位于PNNL的能源部科学办公室用户设施
这些测量提供了每种化合物与nsp15结合紧密程度的信息，并证实了三种化合物中的一种，一种叫做Exebryl-1的分子，与蛋白质结合
在发表在《公共科学图书馆·综合》杂志上的研究结果中，研究小组表明，艾塞布赖-1对新型冠状病毒病毒表现出适度的抗病毒活性
Exebryl-1最初被设计用于治疗阿尔茨海默氏病
在筛选试验中，它没有足够的抗病毒活性，不能被认为是新冠肺炎治疗的直接候选药物
然而，人工智能可能会帮助科学家调整Exebryl-1的结构，以提高其对抗新型冠状病毒的抗病毒活性
这项工作得到了美国国家虚拟生物技术实验室的支持
S
美国能源部国家实验室专注于应对新冠肺炎疫情，资金由《冠状病毒援助、救济和经济安全法案》提供
在这次大流行期间开发一种加速药物发现的方法可以揭示新的设计步骤，这些步骤在下一次疫情期间可能是有用的
库马尔说:“药物研发是一个复杂、昂贵和耗时的过程，尤其是考虑到大多数从设计阶段推进的分子在临床试验中失败。”
“基于计算机的筛选在设计过程中结合了化学信息，以增加候选药物在临床测试中成功的可能性
" 图形神经网络可以产生定制的治疗方法 将人工智能用于药物设计的另一种方法是创建以前从未见过的候选药物库
太平洋西北国家实验室的研究人员正在探索不同的人工智能方法，使用图形神经网络生成用于药物发现的分子结构库
信用:香农·科尔森|太平洋西北国家实验室 研发药物的化学家可以识别使药物发挥作用的分子结构的关键特征
他们还可以解剖一个结构，以估计制造一个分子有多困难
PNNL计算机科学家苏塔奈·乔杜里、数据科学家尼拉杰·库马尔、数据科学家詹娜·波普和他们在阿尔贡国家实验室的同事可以用人工智能重现同样的思维过程
该团队正在使用图形神经网络为可能用于药物开发的分子生成结构
图形提供了网络中项目之间联系的数学表示；例如，一个分子中的原子是如何连接成潜在的候选药物的
基于这种分子图的神经网络可以学习发现数据中的模式，否则这些模式可能并不明显
为了测试他们的药物设计方法，乔杜里、库马尔、波普和他们的同事绘制了连接化学成分以制造类似药物的分子的方法，并确定了哪些成分有助于分子作为药物的行为
最后，他们测试了两种使用图形神经网络的方法，这两种方法使用化学相关方程将分子拼接在一起
科学家们在第九届国际学习表征会议上提交了一份研讨会论文，他们将这些方法与设计可能抑制一种叫做蛋白酶的关键新型冠状病毒蛋白的分子进行了比较
一种方法是从7000多种已知能抑制各种病毒蛋白酶的分子中学习结构模式
研究小组发现，这种分析倾向于生成类似于已知数据库中的分子
在另一种方法中，该算法一个原子一个原子地构建分子，一个键一个键地构建分子，在整个虚拟构建中优化所需的药物和合成性质
研究小组发现这种方法倾向于产生以前未知的分子
每种方法对药物开发都有不同的好处
库马尔说，重新利用已获批准的药物可能是通往临床的快速通道，在众所周知的抗病毒药物的艰难寻找过程中，产生全新的分子结构会在早期注入变异
这项图形神经网络研究是PNNL对能源部ExaLearn联合设计中心的贡献的一部分，该中心由八个专注于机器学习技术的国家实验室组成
该中心是美国能源部数据库云服务器计算项目的产物，该项目于2016年启动，旨在探索最棘手的超级计算
数据科学家德拉古纳·弗拉比领导PNNL参与ExaLearn中心
未来的基础研究 大约一个世纪前，当流感大流行在全球蔓延时，科学家们并不知道病毒的存在；他们寻找疾病的细菌原因
在冠状病毒大流行期间，科学家拥有追踪病毒及其变异体传播的基因信息序列，开发快速诊断测试的分子细节，以及开发全新类别疫苗的工具
其中一些疫苗在美国获得授权
S
在新型冠状病毒首次被发现后的一年内
人工智能的一个标志是它从过去学习的能力
随着PNNL研究人员推进和完善人工智能应用，它也可能越来越多地成为常规研究的一部分——这种工作支持应对这种流行病的进展，也可以支持应对未来的流行病
这项研究汇集了PNNL在宿主应对传染病、人工智能和高级数据分析方面的优势，是PNNL关于新冠肺炎的一系列发现的一部分
这三篇论文的其他PNNL作者包括克雷格·贝克、杰里米·特顿、克里斯蒂·牛津、杰西·威尔逊、瑞玛·詹姆斯和加里·布克科
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
