打开APP

近期科学家们在CNS杂志上发表的人工智能研究领域新成果!

来源:生物谷原创 2022-11-27 22:35

本文中,小编整理了近期科学家们在CNS杂志上发表的关于人工智能研究领域的新成果,分享给大家!

本文中,小编整理了近期科学家们在CNS杂志上发表的关于人工智能研究领域的新成果,分享给大家!

【1】Cell:利用人工智能为未来的冠状病毒变体做准备

doi:10.1016/j.cell.2022.08.024

SARS-CoV-2正在不断地变异,每一种新的变体往往让世界措手不及。以去年11月出现的高度变异的奥密克戎(Omicron)为例,它要求卫生当局制定一种快速反应策略,尽管最初对一些重要问题没有答案:接种疫苗的人和以前被感染的人对这种新变体的保护程度如何?抗体疗法对这种病毒变体是否仍然有效?在一项新的研究中,瑞士苏黎世联邦理工学院生物系统科学与工程系的Sai Reddy教授领导的一个研究团队如今开发出一种使用人工智能回答此类问题的方法,甚至有可能在新变体出现后立即实时回答。相关研究结果于2022年8月31日在线发表在Cell期刊上,论文标题为“Deep Mutational Learning Predicts ACE2 Binding and Antibody Escape to Combinatorial Mutations in the SARS-CoV-2 Receptor Binding Domain”。

图片来源:Cell, 2022, doi:10.1016/j.cell.2022.08.024。

由于病毒是随机变异的,没有人能够确切地知道SARS-CoV-2在未来几个月和几年内将如何演变,以及哪些变体将在未来占据主导地位。从理论上讲,一种病毒的变异方式几乎没有限制。即使考虑到病毒的一个小区域--- SARS-CoV-2的刺突蛋白---也是如此,它对病毒感染和免疫系统的检测很重要。仅在这个区域就有数百亿个理论上可能的突变。这就是为什么这种新方法采取了一种全面的方法:对于这众多潜在的病毒变体中的每种变体,该方法可预测它是否能够感染人体细胞,以及它是否会被免疫系统产生的抗体中和,这些抗体在接种疫苗的人和康复者中发现。极有可能的是,隐藏在所有这些潜在变体中的一种变体将主导COVID-19大流行的下一个阶段。

为了建立他们的方法,Reddy和他的团队利用实验室实验产生了SARS-CoV-2刺突蛋白的一大批变体。他们没有产生活病毒或利用活病毒开展实验,相反,他们只产生了SARS-CoV-2刺突蛋白的一部分,因此没有实验室泄漏的危险。刺突蛋白与人体细胞表面上的ACE2蛋白相互作用以便这种病毒感染能够感染人体细胞,而来自疫苗接种、感染或抗体疗法的抗体通过阻断这一机制发挥作用。SARS-CoV-2变体的许多突变都发生在这个区域,这使得这种病毒能够躲避免疫系统并继续传播。

【2】Science:利用基于人工智能的结构预测分析人类核孔复合体

doi:10.1126/science.abm9506

在一项新的研究中,来自德国马克斯-普朗克生物物理研究所、欧洲分子生物学实验室海德堡总部和法兰克福大学等研究机构的研究人员使用基于人工智能(AI)的预测,生成了大量的人类NUP及其亚复合物的结构模型。所产生的模型涵盖了迄今为止在结构上尚未表征的多种结构域和界面。与以前的和未发表的X射线和低温电镜结构进行比对,显示出前所未有的准确性。相关研究结果发表在2022年6月10日的Science期刊上,论文标题为“AI-based structure prediction empowers integrative structural analysis of human nuclear pores”。

这些作者获得了人类NPC的收缩和扩张构象状态的高分辨率低温电子断层图。利用综合建模,他们将单个NUP的结构模型整合到低温电子断层图中。他们明确地纳入了几种起连接作用的NUP,并追踪它们在NPC支架上的轨迹。他们非常详细地阐明了膜相关NPC和跨膜NUP如何分布在内外核膜的融合拓扑结构中。由此产生的结构模型将人类NPC支架的结构覆盖率提高了约两倍。他们对照早期和新的实验数据广泛地验证了他们的模型。他们的模型的完整性使他们能够在一种明确的膜环境和溶剂中对NPC支架进行微秒级的粗粒度分子动力学模拟。这些模拟显示NPC支架在没有膜张力的情况下,可以防止原本稳定的双膜融合孔收缩到较小的直径。

【3】Science:对人工智能进行训练,构建有潜力用作药物和疫苗的蛋白

doi:10.1126/science.abn2100

在一项新的研究中,来自美国华盛顿大学医学院和哈佛大学的研究人员开发出人工智能软件,并利用它构建出可能作为疫苗、癌症治疗、甚至是将碳污染物从空气中分离出来的工具的蛋白。相关研究结果发表在2022年7月22日的Science期刊上,论文标题为“Scaffolding protein functional sites using deep learning”。

研究者表示,我们在自然界发现的蛋白是神奇的分子,但设计的蛋白可以做得更多。在这项新的研究中,我们发现机器学习可以用来设计具有一系列功能的蛋白。”几十年来,科学家们一直使用计算机来尝试设计蛋白。一些蛋白,如抗体和合成结合蛋白,已被改进为药物来对抗COVID-19。其他蛋白,如酶,有助于工业生产。但是一个蛋白分子往往包含数千个键合原子;即使有专门的科学软件,它们也很难研究和设计。

受到机器学习算法如何从提示中生成故事甚至图像的启发,这些作者着手构建类似的软件来设计新蛋白。论文共同第一作者、华盛顿大学医学院博士后学者Joseph Watson说,“这个想法是一样的:神经网络可以经训练后观察数据中的模式。一旦经过训练,你可以给它一个提示,看看它是否能产生一个优雅的解决方案。结果往往是引人注目的,甚至是不错的。”这些作者使用来自蛋白数据库(Protein Data Bank)的信息训练了多个神经网络,该数据库是一个公共资源库,包含了来自所有生命王国的数十万种蛋白结构。所产生的神经网络甚至让构建它们的科学家们感到惊讶。

这些作者开发出两种方法来设计具有新功能的蛋白。第一种称为“幻化(hallucination)”的方法类似于DALL-E或其他生成型人工智能工具,根据简单的提示产生新的输出。第二种称为“图像修复(inpainting)”的方法类似于现代搜索栏和电子邮件客户端中的自动完成功能。

【4】Nature:利用人工智能确定了癌症中的21种拷贝数标记

doi:10.1038/s41586-022-04738-6

在一项新的研究中,来自英国癌症研究学院、伦敦大学学院、弗朗西斯-克里克研究所、美国加州大学圣地亚哥分校和瑞典隆德大学等研究机构的研究人员利用人工智能(AI)研究并分类了癌症起始和生长时基因组---细胞的完整遗传密码---中DNA变化的大小和规模。相关研究结果于2022年6月15日在线发表在Nature期刊上,论文标题为“Signatures of copy number alterations in human cancer”。

拷贝数标记在人类癌症中的分布

图片来源:Nature, 2022, doi:10.1038/s41586-022-04738-6。

利用人工智能,这些作者确定了21种常见的缺陷,这些缺陷发生在癌症起始和生长时的DNA结构、顺序和拷贝数上。一类称为拷贝数标记(copy number signature)的常见缺陷可能帮助指导医生进行反映肿瘤特征的治疗。当你观看美国流媒体播放平台Netflix时,会产生关于你观看的电影和电视剧类型的数据,你观看它们的频率,以及你是否给它们一个“大拇指”或“小拇指”。Netflix使用一种算法来分析这些大量的数据,在你观看的内容中找到模式,然后在你滚动浏览Netflix时推荐新的电影和电视剧。

在伦敦大学学院的Nischalan Pillay博士和加州大学圣地亚哥分校的Ludmil Alexandrov博士的领导下,这些作者构建出一种类似的算法,可以筛选出成千上万行的基因组数据,挑出染色体如何组装和排列的共同模式。然后,该算法可以对出现的模式进行分类,并帮助科学家们确定癌症中可能出现的缺陷类型。利用该算法,这些作者在9873名患有33种不同类型癌症的患者的完全测序的基因组中寻找模式。该算法确定了肿瘤中染色体结构和数量的21种常见缺陷,并将它们归类为不同的拷贝数标记。

这21种拷贝数标记如今将被用来构建一个蓝图,科学家们可以用它来评估癌症的侵袭性,找到它的弱点并为它设计新的治疗方法。

【5】Nat Med:利用人工智能通过读取人们的呼吸模式就能检测出帕金森病

doi:10.1038/s41591-022-01932-x

帕金森病是出了名的难以诊断,因为它主要依赖于运动症状的出现,如震颤、僵硬和迟钝,但这些症状往往在发病几年后出现。如今,美国麻省理工学院电子工程与计算机科学系的Dina Katabi教授和她的团队开发出一种人工智能模型,仅仅通过读取一个人的呼吸模式就能检测出帕金森病。相关研究结果于2022年8月22日在线发表在期刊上,论文标题为“Artificial intelligence-enabled detection and assessment of Parkinson’s disease using nocturnal breathing signals”。

这种工具是一种神经网络,是一系列模拟人脑工作方式的关联算法,能够从一个人的夜间呼吸---睡眠时的呼吸模式--来评估这个人是否患有帕金森病。这种由麻省理工学院博士生Yuzhe Yang和博士后Yuan Yuan训练的神经网络还能够辨别人们所患的帕金森病的严重程度,并跟踪其疾病的进展。多年来,科学家们已经研究了使用脑脊液和神经影像学检测帕金森病的潜力,但这类方法具有侵入性,成本高,并且需要进入专门的医疗中心,因此不适合进行频繁的可以提供早期诊断或持续跟踪疾病进展的测试。

这些作者证实对帕金森病的人工智能评估可以每天晚上在家里趁人睡着时进行,而且不需要接触他们的身体。为此,他们开发了一种外观像家用Wi-Fi路由器的设备,但该设备不提供互联网接入,而是发射无线电信号,分析这些信号在周围环境中的反射,并在不接触身体的情况下提取受试者的呼吸模式。然后,呼吸信号被提供被这种神经网络,以被动的方式评估帕金森病,而且患者和护理人员不需要做任何工作。Katabi说,“早在1817年,在James Parkinson的研究中就注意到了帕金森病与呼吸之间的关系。这促使我们考虑从一个人的呼吸中检测这种疾病的潜力,而不用观察运动。一些医学研究已表明,呼吸系统症状在运动症状之前几年就已表现出来,这意味着呼吸特性在帕金森病诊断之前可能是有前景的风险评估。”

作为世界上增长最快的神经系统疾病,帕金森病是继阿尔茨海默病之后第二大最常见的神经系统疾病。仅在美国,它就困扰着100多万人,每年的经济负担达519亿美元。这些作者开发的设备在7687人身上进行了测试,包括757名帕金森病患者。

【6】三篇Science:人工智能可以比以前更准确和更快速地用来构建蛋白分子

doi:10.1126/science.abn2100 doi:10.1126/science.add2187 doi:10.1126/science.add1964

蛋白通常被称为“生命的基石”,因为它们对所有生物的结构和功能至关重要。它们参与了细胞内发生的几乎所有过程,包括生长、分裂和修复。蛋白是由称为氨基酸的化学长链构成的。蛋白中的氨基酸序列决定了其三维形状。这种复杂的形状对于蛋白的功能至关重要。最近,包括AlphaFold和RoseTTAFold在内的强大的机器学习算法经训练后可以完全根据氨基酸序列预测天然蛋白的详细形状。机器学习是一种人工智能,它允许计算机从数据中学习,而无需明确编程。机器学习可用于对人类难以理解的复杂科学问题进行建模。为了超越自然界中发现的蛋白,Baker团队成员将蛋白设计的挑战分解为三个部分,并针对每个部分使用新的软件解决方案。

首先,必须生成一种新的蛋白形状。在第一篇论文中,Baker团队指出人工智能可以通过两种方式生成新的蛋白形状。第一种方法被称为幻化(hallucination),类似于DALL-E或其他根据简单的提示产生输出的生成型人工智能工具。第二种方法被称为“图像修复(inpainting)”,类似于现代搜索栏中的自动完成功能。相关研究结果发表在2022年7月22日的Science期刊上,论文标题为“Scaffolding protein functional sites using deep learning”。

其次,为了加速这一过程,Baker团队设计了一种新的算法来生成氨基酸序列。在第二篇论文中,他们描述了这种称为ProteinMPNN的软件工具,它的运行时间约为一秒。这比以前最好的软件快200多倍。其结果优于之前的工具,而且该软件不需要专家定制就能运行。相关研究结果于2022年9月15日在线发表在Science期刊上,论文标题为“Robust deep learning–based protein sequence design using ProteinMPNN”。

华盛顿大学蛋白设计研究所博士后研究员Justas Dauparas说,“如果有大量的数据,可以很容易对神经网络进行训练,但是对于蛋白,我们没有想要的那么多例子。我们不得不进入并确定这些分子中哪些特征是最重要的。这是有点像尝试错误的方法。”

第三,Baker团队使用Alphabet旗下DeepMind公司开发的工具AlphaFold,独立评估他们得出的氨基酸序列是否有可能折叠成预定的形状。Dauparas解释说,“预测蛋白结构的软件是解决方案的一部分,但它自己不能提出任何新的东西。”Baker补充说,“ProteinMPNN对于蛋白设计来说,就像AlphaFold对于蛋白结构预测一样。”

在第三篇论文中,Baker团队证实组合使用新的机器学习工具能够可靠地生成在实验室中发挥作用的新蛋白。相关研究结果于2022年9月15日在线发表在Science期刊上,论文标题为“Hallucinating symmetric protein assemblies”。

【7】Nat Biomed Eng:能自我学习的人工智能技术或能利用病理学图像来寻找类似的患者病例 从而帮助诊断人类罕见疾病

doi:10.1038/s41551-022-00929-8

罕见疾病通常难以诊断,而预防针对罕见病患者的最佳疗法对于临床医生而言也是一项巨大挑战。近日,一篇发表在国际杂志Nature Biomedical Engineering上题为“Fast and scalable search of whole-slide images via self-supervised deep learning”的研究报告中,来自美国布莱根妇女医院等机构的科学家们通过研究开发了一种深度学习算法,其或能通过自学方式来学习用于在大型病理学图像库中寻找类似病例的特征。

能自我学习的人工智能技术或能利用病理学图像来寻找类似的患者病例 从而帮助诊断人类罕见疾病。

图片来源:Nature Biomedical Engineering (2022). DOI:10.1038/s41551-022-00929-8

这种名为SISH(用于组织学的自我监督图像搜索Self-Supervised Image search for Histology)的工具就好像一种进行病理图像分析的搜索引擎,其拥有多种潜在的应用,包括识别罕见疾病并帮助临床医生确定哪些病人可能会对类似的疗法产生反应。研究者Faisal Mahmood说道,本文研究结果表明,我们的系统能帮助诊断罕见疾病并在不需要注释的前提下寻找具有类似形态模式的病例,也并不需要用于监督训练的大规模数据库;这种系统或有望改善病理学的训练、疾病亚型划分、肿瘤的鉴定仪及罕见形态学的鉴定等。

现代的电子数据库能存储大量的数字记录和参考图像,尤其是在病理学中通过整张幻灯片图像,然而每个单独的整张图像的千兆像素的大小仪及大型数据库中不断增加的图像数量意味着,对图像的搜索和检索是可能缓慢且非常复杂的,因此,其可扩展性仍然是有效使用的一个相关的障碍。为了解决这个问题,研究人员就开发了SISH,并让其自我学习相关特征,无论数据库的大小,其都能以恒定的速度找到病例学中具有类似特征的病例。

【8】Nat Med:科学家有望利用人工智能技术来准确诊断人类的前列腺癌

doi:10.1038/s41591-021-01620-2

如今人工智能(AI)技术已经显示出了在活检中诊断前列腺癌的前景,然而,其结果仅限于个别研究,缺乏多国环境的验证;而且竞争已经被证明是医学成像创新研究领域的加速器,但其影响常常因缺乏可重复性和独立验证而受到了一定的阻碍。近日,一篇发表在国际杂志Nature Medicine上题为“Artificial intelligence for diagnosis and Gleason grading of prostate cancer: the PANDA challenge”的研究报告中,来自拉德堡德大学医学中心等机构的科学家们通过研究共同完成了一项关于用于诊断和对前列腺癌进行评级的人工智能技术的全面国际验证,研究人员发现,AI系统或能与病理学家一样,识别并对来自不同国家的组织样本中的前列腺癌进行识别和分级,因此AI系统或许有望作为一种辅助工具引入到前列腺癌的诊断和治疗过程中去。

国际认证是通过一种名为PANDA的比赛来进行的,该比赛历时3个月,其能挑战1000多名AI专家所开发的用于对前列腺癌准确分级的系统。研究者Kimmo Kartasalo博士说道,比赛开始仅10天,研究人员就开发出了与普通病理学家相匹配的算法,而组织PANDA比赛或能揭示竞赛如何能够加速快速的创新过程,从而在AI的帮助下解决医疗保健中的具体问题。

当前前列腺癌诊断的一个问题在于,即使是针对相同的组织样本,不同的病理学家也会得出不同的结论,这意味着疗法决策是基于不确定的信息而制定的;研究者认为,利用AI技术或许在提高重现性方面有着非常大的潜力,也就是说,无论哪个病理学家进行评估,都能提高组织样本评估的一致性,从而就会导致更为准确的疗法选择。研究人员在早期研究中发现,AI系统能指示是否组织样本中包含癌症,同时还能评估活检组织中肿瘤组织的数量,并对前列腺癌的严重程度进行分级,AI系统能与国际病理学家相媲美。然而,在医疗领域中实时AI技术的主要挑战在于,AI系统通常对用于训练系统的数据不同的数据高度敏感,因此在应用于其它医院和其它国家时可能就不会产生可靠和稳健的结果。

【9】Nat Commun:利用人工智能成功预测癌症患者对免疫疗法的反应

doi:10.1038/s41467-022-31535-6

作为一种新的癌症治疗方法,免疫疗法激活人体的免疫系统来对抗癌细胞,而不使用化疗或放疗。它比传统的抗癌药物有更少的副作用,因为它只利用人体的免疫系统攻击癌细胞。此外,由于它利用了免疫系统的记忆和适应性,从它的治疗效果中受益的患者会有持续的抗癌效果。

近期开发的免疫检查点抑制剂(immune checkpoint inhibitor, ICI)已经极大地改善了癌症患者的生存率。然而,癌症免疫疗法的问题是,只有大约30%的癌症患者从它的治疗效果中获益,而且目前的诊断技术不能准确预测患者对这种治疗的反应。

在这种背景下,来自韩国浦项科技大学和延世大学等研究机构的研究人员在一项新的研究中通过使用基于网络的机器学习,提高了预测患者对免疫检查点抑制剂作出反应的准确性。相关研究结果于2022年6月28日发表在Nature Communications期刊上,论文标题为“Network-based machine learning approach to predict immunotherapy response in cancer patients”。

一种基于网络的机器学习(ML)方法来识别免疫疗法相关的生物标志物。

图片来源:Nature Communications, 2022, doi:10.1038/s41467-022-31535-6。

这些作者通过分析700多名三种不同癌症(黑色素瘤、胃癌和膀胱癌)患者的临床结果以及患者癌症组织的转录组数据,发现了新的基于网络的生物标志物。通过利用基于网络的生物标志物,他们成功开发出可以预测抗癌治疗反应的人工智能方法。他们进一步证实这种基于新发现的生物标志物的治疗反应预测优于基于常规抗癌治疗生物标志物(包括免疫治疗靶标和肿瘤微环境标志物)的预测。

【10】Nature子刊:关键时刻手表能救人!梅奥医院研究发现:将AI应用于智能手表可诊断心力衰竭!

doi:10.1038/s41591-022-02053-1

近年来越来越多的人开始佩戴智能型手表,除了看时间和连接手机接收信息外,也有运动记录和健康监测功能,先前就有人透露过Apple Watch的心率检测功能汇报了身体健康状况,及早就医后捡回一命,让不少网友看了惊呼“原来智能手表真的能救人!”

近日,来自梅奥医院的一项研究报告了智能手表心电图在非临床环境中准确检测心力衰竭的能力。研究人员将人工智能 (AI) 应用于 Apple Watch 心电图记录,以识别心脏泵较弱的患者。该研究的参与者可以随时随地远程记录他们的智能手表心电图。他们定期通过智能手机应用程序自动、安全地将心电图上传到他们的电子健康记录中。该研究题为“Prospective evaluation of smartwatch-enabled detection of left ventricular dysfunction”,发表在Nature Medicine杂志上。

从2021 年 8 月至 2022 年 2 月,研究人员招募了梅奥医院的3,884 名使用该软件的患者,其中,2,463 (63.5%) 人在研究期间至少上传了一张心电图。由于早期软件应用程序故障导致无法收集数据(随后进行了补救),九名受试者被排除在外,最终队列中剩下 2,454 名受试者。来自 46 个州和 11 个国家的 2,454 名患者记录并上传了一个或多个 Apple Watch 心电图。这些患者的平均年龄为 53 岁,大多数是女性和白人。这 2,454 名患者记录了超过 125,000 次心电图(ECG),其中78.5% 的心电图记录被 Apple Watch 归类为窦性心律(n ?= 98,603)。其余的 Apple Watch 心电图被归类为房颤 (AF;5.1%) 或不确定 (16.4%)。(生物谷Bioon.com)

生物谷更多精彩盘点!敬请期待!

版权声明 本网站所有注明“来源:生物谷”或“来源:bioon”的文字、图片和音视频资料,版权均属于生物谷网站所有。非经授权,任何媒体、网站或个人不得转载,否则将追究法律责任。取得书面授权转载时,须注明“来源:生物谷”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。

87%用户都在用生物谷APP 随时阅读、评论、分享交流 请扫描二维码下载->