多篇重要成果共同解读科学家们如何利用人工智能技术改善人类疾病的研究和诊疗！

本文中，小编整理了多篇重要研究成果，共同解读科学家们如何利用人工智能来改善人类疾病的诊疗及研究，分享给大家！

【1】Nature：利用人工智能设计的新型蛋白可有效中和蛇毒中的毒素

doi：10.1038/s41586-024-08393-x

根据世界卫生组织的数据，毒蛇咬伤每年影响180万至270万人，每年导致大约10万人死亡，并导致大约30万人永久性残疾，包括失去肢体。大多数毒蛇咬伤发生在非洲、亚洲和拉丁美洲，这些地区薄弱的卫生系统加剧了这一问题。目前，用于治疗毒蛇咬伤患者的唯一抗蛇毒血清来自动物血浆，通常成本高、疗效有限、副作用严重。不同种类的蛇的毒液也存在很大差异，因此需要在世界不同地区进行定制治疗。

一项新的研究表明，对毒蛇咬伤的治疗可能会出现新的变革。来自华盛顿大学和丹麦技术大学的研究人员利用人工智能技术开发出可以中和蛇毒中致命毒素的新型蛋白，这可能为传统抗蛇毒血清提供一种更安全、更有效的替代品。相关研究结果于2025年1月15日在线发表在Nature期刊上，论文标题为“De novo designed proteins neutralize lethal snake venom toxins”。

三指毒素的作用靶标

具体而言，华盛顿大学医学院的David Baker团队和丹麦技术大学的Timothy Patrick Jenkins团队利用深度学习工具设计了一种新的蛋白，它可以结合并中和致命眼镜蛇的毒素。这项研究的重点是一类重要的称为三指毒素（three-finger toxin）的蛇蛋白，这通常是基于免疫动物的抗蛇毒血清失败的原因。

虽然还不能完全抵御蛇毒——每种蛇特有的不同毒素的复杂混合物——但是利用人工智能设计出的蛋白分子可以完全保护小鼠免受致命剂量的三指毒素的侵害：80%-100%的存活率，取决于确切的剂量、毒素和设计出的蛋白分子。

【2】PNAS：新型人工智能技术或能识别出更好的抗体疗法

doi：10.1073/pnas.2410529121

从缓解癌症到减缓COVID-19的症状，免疫疗法能提供革命性的疾病疗法，其能利用抗体（能结合体内称之为抗原的细胞标志物的特殊蛋白质）来靶向作用并消除抗原，然而，尽管免疫疗法非常有效，但其并未得到广泛应用，因为寻找合适的抗体来开发新型疗法对于科学家们而言是一项具有挑战性且耗时的工作。

近日，一篇发表在国际杂志Proceedings of the National Academy of Sciences上题为“Improved deep learning prediction of antigen–antibody interactions”的研究报告中，来自佐治亚理工学院等机构的科学家们通过研究开发了一种名为AF2Complex的新工具，其能利用深度学习来预测哪些抗体能与COVID-19中臭名昭著的刺突蛋白结合，他们利用已知抗原结合物的序列为深度学习模型创建了输入数据。

这种方法能在利用1000种抗体的一次测试中就准确预测90%的最佳抗体，而治疗COVID-19只是其潜力的开始；研究者Mu Gao博士说道，AF2Complex能改善治疗的发展，如果你拥有一个高质量的模型，那么你就能修补蛋白序列并优化抗体，从而使其更适合药物的开发。本文研究者并不是第一个使用深度学习来预测蛋白结构的科学家，但他们的确扩大了该模型的能力，2020年，获得诺贝尔奖的DeepMind AlphaFold（Alphabet计划的一个项目）就在利用深入学习预测单一蛋白结构上取得了重大突破，为此，这项研究中，研究人员将该模型用于预测蛋白复合体的结构。

【3】肠道微生物中的“双面特工”？Cell：利用人工智能确定对人体健康至关重要的一组肠道微生物

doi：10.1016/j.cell.2024.09.019

近日，一篇发表在国际杂志Cell上题为“A core microbiome signature as an indicator of health”的研究报告中，来自中国上海交通大学等机构的科学家们通过研究推出了一种新方法，用于鉴定人类常见的、对健康至关重要的一组肠道微生物。这一发现为精准营养和旨在控制与肠道微生物组失衡有关的慢性疾病（包括糖尿病、炎症性肠病和癌症）的个性化疗法提供了新机会。

核心微生物组（core microbiome）是指消化道中的一组在维持消化、免疫防御和心理健康等功能方面发挥着关键作用的微生物。当核心微生物组减少或丧失时，这会导致一种称为菌群失调（dysbiosis）的疾病，即肠道中有益微生物和有害微生物之间的失衡。菌群失调与许多慢性疾病有关，包括炎症性肠病、代谢紊乱、神经系统疾病、慢性肾病和某些癌症。

许多研究已表明，将有益的粪便微生物群从健康的结肠转移到患病的结肠可以缓解这些疾病，这有力地表明核心微生物组对维持人体的健康至关重要。核心微生物组的基本结构——两个不同的细菌群体，分别称为基础菌群（foundation guild）和病原菌群（pathobiont guild），它们进行着动态和稳定的相互作用，对维持人类健康至关重要。

利用人工智能模型，这种“两个相互竞争的细菌群体”方法将不同人群中的病例与对照组进行了分类，不受种族、地理或疾病类型的影响，并预测了四种不同疾病对免疫疗法的个性化反应。这个领域尚未就核心微生物组的确切构成要素或如何准确识别这些关键微生物参与者达成共识。

【4】AI揭示16万新病毒！Cell：我国科学家领衔利用人工智能技术发现161979种新的RNA病毒

doi：10.1016/j.cell.2024.09.027

人工智能（AI）正在帮助科学家们揭开生活在我们脚下和全球每个角落的多种多样的基本生命分支的神秘面纱。近日，一篇发表在国际杂志Cell上题为“Using artificial intelligence to document the hidden RNA virosphere”的研究报告中，来自中国中山大学等研究机构的研究人员利用一种机器学习工具发现了161，979种新的RNA病毒。他们认为这将极大地改善地球上的生命图谱，并有助于识别数百万种尚未表征的病毒。

文章中，研究者Edwards Holmes教授说：“我们看到了地球生命中原本不为人知的部分，揭示了非凡的生物多样性。这是单项研究中发现的数量最多的新病毒物种，极大地扩展了我们对生活在我们中间的病毒的了解。一下子就发现这么多新的病毒，真是令人震惊，而且这仅仅是触及了表面，为我们打开了一个发现的世界。还有数以百万计的病毒有待发现，我们可以用同样的方法来识别细菌和寄生虫。”

图片来源：Cell, 2024, doi:10.1016/j.cell.2024.09.027

虽然RNA病毒通常与人类疾病有关，但它们也存在于世界各地的极端环境中，甚至可能在全球生态系统中发挥关键作用。在这项研究中，作者发现它们生活在大气、温泉和热液喷口中。Holmes教授说：“极端环境中携带着如此多种类的RNA病毒，再次证明了它们惊人的多样性和在最恶劣环境中生存的顽强生命力，有可能为我们提供病毒和其他基本生命形式是如何形成的线索。”

【5】JAMA Netw Open：科学家利用人工智能有望帮助识别出未来会患乳腺癌的女性

doi：10.1001/jamanetworkopen.2024.37402

早期的乳腺癌检测与较低的发病率和死亡率有关。近日，一篇发表在国际杂志JAMA Network Open上题为“Artificial Intelligence Algorithm for Subclinical Breast Cancer Detection”的研究报告中，来自挪威国家公共卫生研究院等机构的科学家们通过研究发现，人工智能（AI）评分或能评估个体未来患乳腺癌的风险并进行早期诊断。

文章中，研究人员分析了用于进行乳腺癌检测的商用人工智能算法是否能评估未来个体癌症的发生；这项研究纳入了116，495名年龄在50岁至69岁的女性，其接受了至少连续三轮两年一次的乳腺X光检查。研究人员发现，在第一轮研究中，通过筛查发现癌症的女性乳腺的AI评分的平均绝对差异为21.3，第二轮研究则为30.7，第三轮研究为79.0，在间隔期癌症之前的平均差异分别为19.7、21.0和34.0。

对于未患乳腺癌的女性而言，第一轮研究的平均差异为9.9，第二轮为9.6，第三轮为9.3。对于筛查发现的癌症，受试者工作特征曲线下的绝对差异面积在第一轮研究中为0.63，在第二轮研究时为0.72，在第三轮研究时为0.96；对于间隔期癌症而言，受试者工作特征曲线下的面积分别为0.64、0.65和0.77。

【6】Nature：科学家成功结合人工智能技术和连接组的潜能来预测大脑细胞的活性

doi：10.1038/s41586-024-07939-3

如今研究人员能成功测定神经回路中每个神经元的连接性，但无法测定其它的生物学细节，包括每个神经元的动态变化特性，而对连接性测定在多大程度上能影响对大脑神经计算的理解，研究人员仍然并不清楚。近日，一篇发表在国际杂志Nature上题为“Connectome-constrained networks predict neural activity across the fly visual system”的研究报告中，来自图宾根大学等机构的科学家们通过研究成功利用人工智能（AI）和连接组的潜能来预测机体大脑细胞的活性。

科学家成功结合人工智能技术和连接组的潜能来预测大脑细胞的活性

有了神经元和AI方法之间的联系图谱，研究人员就能完成此前从未想过的研究，即预测单一神经元的活性，且并不需要在活体大脑中进行单一测量。几十年来，神经科学家们在实验室中花费了大量时间来测定活体动物大脑中神经元的活性，从而梳理出大脑如何促进机体行为的发生，这些实验能对研究大脑发挥作用的机制提供开创性的见解，但其仅仅触及到了研究表面，关于大脑研究的很多领域，目前研究人员还未进行。如今，研究人员利用AI和连接组（由大脑组织所产生的神经元及其连接的图谱）就能预测活体大脑中神经元发挥的作用。研究人员仅利用从果蝇视觉视同连接组中所收集到的有关神经回路连接性的信息，以及对该回路所发挥的作用进行相应推测，从而就创建了果蝇视觉系统的AI模拟，这就能帮助他们预测大脑回路中单个神经元的活性。

研究者Srini Turaga博士表示，如今我们有了一种计算方法，其能将连接组的测量结果转化为对神经回路和大脑功能的预测，且并不需要首先从难以获得的每个神经元的神经活动的测量开始。文章中，研究人员利用连接组创建了一个详细的深度机制性网络来模拟果蝇的视觉系统，其中模型中的每个神经元和突触都对应大脑中的真实神经元和突触。尽管研究人员并不知道每个神经元和突触的动态变化，但来自连接组中的数据就能促使他们利用深度学习方法来推断这些未知的参数，同时他们还能将这些信息与有关回路目标（运动检测）的知识结合起来。

【7】AI破冰癌症治疗！Cancer Res：牛津大学科学家利用人工智能技术开发更具个性化的癌症疗法策略，能显著延长患者复发的时间，最长可达两倍

doi：10.1158/0008-5472.CAN-23-2040

长期以来，癌症的标准治疗方案都旨在彻底清除癌细胞，然而，由于药物耐受性的出现，这些策略在应用到转移性癌症上时往往会失败。目前，适应性疗法策略已经发展成了一种可替代的方法，其能动态调整疗法以抑制耐药性肿瘤的增殖，从而减缓甚至阻止疾病进展，尤其在前列腺癌治疗领域显示出显著的临床价值。

近日，一篇发表在国际杂志Cancer Research上题为“Mathematical Model-Driven Deep Learning Enables Personalized Adaptive Therapy”的研究报告中，来自牛津大学等机构的科学家们利用人工智能（AI）技术开发了个性化的癌症疗法，旨在有效预防癌症复发，应对当前治疗中的关键挑战。这项研究中，研究人员通过联合研究引入了一种新型框架，其能应用深度加强学习（DRL， deep reinforcement learning，一种人工智能形式）来为前列腺癌患者创建出一种适应性的治疗计划。

研究结果表明，相比依赖最大耐受剂量(MTD)或非个性化间歇治疗相比，该新型适应性方法能显著延长患者复发的时间，最长可达两倍。研究者Kit Gallagher表示，该框架利用了数学模型产生的合成数据训练DRL算法，模拟先前临床试验的观察结果，成功创造出大量“虚拟患者”数据，便于评估难以在实际临床环境中测试的治疗方案。

【8】智能手表变身“数字医生”！Cell揭示AI分析可穿戴设备数据如何表征精神疾病并识别遗传关联

doi：10.1016/j.cell.2024.11.012

近日，一篇发表在国际杂志Cell上题为“Digital phenotyping from wearables using AI characterizes psychiatric disorders and identifies genetic associations”的研究报告中，来自耶鲁大学等机构的科学家们通过研究发现，智能手表不仅能记录你的步数和心率，还可能成为了解脑部疾病和行为障碍的强大工具。

利用来自5000多名青少年的智能手表数据，该研究团队训练了人工智能模型来预测个体是否患有不同的精神疾病，并发现了与这些疾病相关的基因。Gerstein教授解释说，“在传统精神病学中，医生评估你的症状，然后做出诊断。但在我们的研究中，我们通过处理可穿戴传感器的数据，不仅能够更全面地预测疾病，还能更好地将其与潜在的遗传因素联系起来。”

在这项新研究中，研究人员使用了来自美国最大的大脑发育和儿童健康长期评估——青少年大脑认知发展研究（Adolescent Brain Cognitive Development Study）的数据。这些数据包括9-14岁青少年佩戴的智能手表记录的心率、卡路里消耗、身体活动强度、步数、睡眠水平和睡眠强度等信息。研究者Jason Liu表示，“如果处理得当，智能手表收集的数据可以用作‘数字表型’。”他补充道，“这种数字表型不仅可以作为诊断工具或生物标志物，还可以帮助弥合疾病与遗传学之间的差距。”

【9】Brief Bioinform：利用基因组测序和AI分析或能揭示隐藏在乳腺癌发病背后的特殊遗传标志物

doi：10.1093/bib/bbae346

乳腺癌是如今影响西方女性健康最常见的恶性肿瘤，据估计，有高达10%的乳腺癌病例的发生归因于种系突变（germline variants），然而大多数家族性乳腺癌病例的遗传基础研究人员并不确定，因此发现促进家族性乳腺癌的易感基因或具有一定的挑战性，因为其被认为是非常罕见的、较低的外显率和复杂的生物学机制。

近日，一篇发表在国际杂志Briefings in Bioinformatics上题为“Discovering predisposing genes for hereditary breast cancer using deep learning”的研究报告中，来自耶路撒冷希伯来大学等机构的科学家们通过研究开发了一种新方法来分析乳腺癌高发的家族个体机体的遗传突变，通过分析12个家庭的1218个遗传突变，研究人员识别出了80个基因与乳腺癌风险增加有关，同时他们还强调了过氧化物酶体和线粒体通路在乳腺癌易感性和患者生存中的重要作用，这在以前被研究人员完全忽视了。

本文研究结果或能为阐明家族性乳腺癌背后的遗传基础提供了新的见解，尤其是其在中东血统的家庭中普遍存在；文章中，研究人员利用一种创新性的分析方法专门用来分析有乳腺癌发病史的家庭个体机体的遗传突变，这种方法结合了先进的机器学习技术和对蛋白质结构的详细分析，旨在调查罕见的遗传突变。通过对12个家庭中发现的1218个突变进行仔细分析，研究人员识别出了80个基因或会明显影响机体的乳腺癌风险，这一研究发现包括了70个此前未知的与乳腺癌相关的基因，这或许就极大扩散了研究人员对这种疾病遗传背景的理解。

【10】基因编辑新突破！Cell：AI算法解锁精神疾病遗传密码，精准定位“书中的错乱章节”

doi：10.1016/j.cell.2024.09.014

想象一下，人类基因组就像一本庞大的说明书，里面包含了30亿个碱基对。这不仅仅是一份关于如何构建人体的指南，它还记录了疾病的发生以及我们的进化历程。这些碱基对就像是书中的字母，有时候它们会跳来跳去，换换位置——这就是所谓的重排。有时，这种重排很简单，就像是两个字母互换了位子；但有时候，事情就变得复杂多了，比如一整段话被倒置过来，或者干脆有几行字消失了。现在我们有了读这本书的高科技工具，叫做全基因组测序（Whole Genome Sequencing， WGS），它可以很好地找到那些简单的错误，但是面对复杂的结构变异（structural variant， SV）时，就有点儿力不从心了。

不过别担心，斯坦福大学医学院的一群科学家们带来了好消息！他们开发了一种新方法，利用人工智能来识别WGS数据中的复杂SV。相关研究结果于2024年9月30日在线发表在Cell期刊上，论文标题为“Detection and analysis of complex structural variation in human genomes across populations and in brains of donors with psychiatric disorders”。研究人员通过分析来自全球4000多个个体的基因组，创建了一个复杂SV的目录，并发现这类变异通常出现在大脑相关基因中，而且与精神分裂症和躁郁症等精神疾病的基因表达方式有关。

利用ARC-SV算法分析复杂的结构变异

斯坦福大学的Alexander Urban博士说：“这是一项突破性的进展，意味着我们在理解精神疾病遗传基础方面迈出了重要一步。”他比喻说，如果只寻找简单的变异，就好比校稿时只找错别字，而忽略了整个句子或段落的混乱。新的算法，名为ARC-SV（自动重建复杂结构变异算法），可以捕捉到各种DNA重排，准确率高达95%。这个算法就像是一个超级编辑，能够在送印前找出所有问题，包括重复、缺失或顺序错乱的部分。（生物谷Bioon.com）

生物谷更多精彩盘点！敬请期待！