Facebook声称AI可以预测治疗复杂疾病的药物组合

Facebook今天详细介绍了它声称的第一个能够预测药物组合、剂量、时间和其他类型的干预措施(如基因删除)效果的单一AI模型。Facebook表示,该模型是与慕尼黑赫尔姆霍兹中心合作开发的,它可以加速识别药物组合和其他治疗方法的过程,这些方法可能会导致疾病的更好结果。

事实证明,发现重新利用现有药物的方法是治疗包括癌症在内的疾病的有力工具。近年来,医生们已经看到 "药物鸡尾酒 "对抗恶性疾病的成功,并继续探索为患者提供个性化的治疗方法。但是,以合适的剂量找到现有药物的有效组合是极具挑战性的,部分原因是有近乎无限的可能性。研究人员必须尝试5000到190亿种解决方案,才能在100种药物的池子里找到最佳方案。

Facebook的开源模型--Compositional Perturbation Autoencoder(CPA),可以观察用药物组合处理的细胞,并预测新组合的效果。与从标签数据集学习的监督模型不同,Facebook的通过暴露数据各部分之间的关系从数据中生成标签,这一步被认为是实现人类级智能的关键。根据Facebook的说法,CPA的预测需要几个小时,而传统方法可能需要几年的时间,这使得研究人员可以选择最有希望的结果进行验证和跟踪。

在生物学中,RNA测序被用作在分子水平上测量细胞的基因表达,并研究包括药物组合在内的扰动的影响。学术界和工业界已经发布了包含多达数百万个细胞和每个细胞2万个读数的RNA测序数据集,以促进生物医学研究。

Facebook利用这些数据集来训练CPA,使用一种称为自动编码的方法,其中数据被压缩和解压,直到总结成对预测有用的模式。CPA首先分离并学习关于细胞的关键属性,例如某种药物、组合、剂量、时间、基因删除或细胞类型的影响。然后,它独立地重新组合这些属性,以预测它们对细胞基因表达的影响。例如,如果其中一个数据集有关于药物如何影响不同类型的细胞A、B、C和A+B的信息,CPA将以细胞类型特定的方式学习每种药物的影响,然后将每种药物重新组合,以推断A+C、B+C和A+B之间的相互作用。

为了测试CPA,Facebook表示,它将该模型应用于五个公开的RNA序列数据集,其中包含药物、剂量和其他混杂因素对癌细胞的测量和结果。以代表基因表达预测准确性的R2指标为基准,Facebook称CPA在训练和测试之间 "保持一致"--这是稳健性的表现。此外,CPA对药物组合和剂量对癌细胞影响的预测与测试数据集中发现的效果 "可靠 "地匹配。

Facebook认为,CPA可以 "极大地 "加速确定最佳治疗组合的过程,并为药物开发的新机会铺平道路。为此,该公司正在提供API和一个软件包,旨在让研究人员插入数据集并通过预测运行。

虽然Facebook声称CPA的架构很新颖,但它并不是第一个为预测药物相互作用而设计的算法。2018年7月,斯坦福大学的研究人员详细介绍了一个人工智能系统,该系统可以通过模拟体内19000多种蛋白质的相互作用和与药物的相互作用来预测药物组合的效果。

QQ图片20210417015605.png

您可能还会对下面的文章感兴趣: