让梦想从这里开始

因为有了梦想,我们才能拥有奋斗的目标,而这些目标凝结成希望的萌芽,在汗水与泪水浇灌下,绽放成功之花。

AI 为人类开药方:准确预测 9000 名癌症患者适用药物!成果登上 Nature 子刊,出自华人团队
发布日期:2022-11-14 20:19    点击次数:162

只需一个 AI,9808 名癌症患者对药物的临床反应,全能预测。

而且结果和临床观察表现一致。

这就是由纽约市立大学 Lei Xie 团队带来的最新成果CODE-AE(context-aware deconfounding autoencoder)。

它提出一种新型的上下文自编码模型,可以预测不同患者对药物的特异性反应。

这将对新药开发和临床试验产生重大影响。

要知道,传统模式下一种新药开发、试验、完全上市,中间需要近 10 年的时间,消耗的资金也空前庞大,动辄就是 10 亿美元。

周期会如此之长,是因为新药在人体内的反应难以预测,往往需要反复试验进行测试。

而如果 AI 能够利用数据进行预测,将大幅缩短新药上市时间,降低成本。

目前,该研究登上 Nature 子刊《Nature Machine Intelligence》。

不再高度依赖临床数据

简单来说,CODE-AE 是利用新药在体外细胞验证上的数据,来预测药物在人体身上会产生的反应。

这样就避免了 AI 模型训练对患者临床数据的依赖。

过去 AI 在临床反应预测上效果一直不算好的最大原因,便是想要收集海量、连续临床反应数据实在是太难了。

从机制上来看,研究人员将药物生物标志物分为了源域(source domain)和目标域(target domain)。

源域表示和测试样本不同的领域,但是有丰富的监督信息,在这里可以理解为体外细胞验证的数据。

目标域是测试样本所在的领域,无标签或只有少量标签,也就是患者数据。

将不同领域的数据特征映射到同一个特征空间,使其在该空间中的距离尽可能近。

于是在特征空间中对源域训练的目标函数,就可以迁移到目标域,提高目标域上的准确率。

放在该研究背景下,源域和目标域都是药物生物标志物的数据特征,即药物靶标的数据特征。

具体来看模型框架,主要分为三个部分:预训练、微调和推理。

预训练主要用了自监督学习,构建一个特征编码模块,将体外细胞数据和患者数据的未标记基因表达谱,映射到嵌入空间中。这样一来可以把一些混杂因素排除掉,让两种数据的潜入分布一致,以消除系统偏差。

微调阶段,是在预训练的基础上再加一个监督模型,并利用已经标记的体外细胞数据来进行训练。

最后在推理阶段,先从预训练中获得的患者去歧对其嵌入,然后再利用调优后的模型,来预测患者对药物的反应。

在这种模式下,CODE-AE 具备两个特点。

第一,它可以提取不连贯样本中的常见生物信号和私有表示,从而排除掉由于数据模式不同带来的干扰。

第二,将药物响应信号和混杂因素分离后,还可以实现局部对齐。

总结来看,CODE-AE 可以理解为在标记和无标记数据的非相干数据模式嵌入空间中,选择唯一特征的过程。

为了论证模型的有效性,研究人员对 9808 位癌症患者的药物适用情况进行预测。

如果模型对患者情况预测出的位点结果,和他使用的药物靶点有关,就证明预测是正确的。

然后,研究人员将患者分为 100 个聚类,将 59 种药物也分为 30 个聚类。

通过这种分析方法,可以让具有相似药物反应谱的患者被分在一起。

在此,我们以肺鳞状细胞癌患者(LSCC)和非小细胞肺癌患者(NSCLC)的聚类为例。

在 59 种药物中,LSCC 最敏感的药物为吉非替尼、AICAR 和吉西他滨。

其中吉非替尼、AICAR 的作用靶点都是一种表皮生长因子受体 ( EGFR ) ,吉西他滨常被用于没有 EGFR 突变的非小细胞肺癌治疗。

论文表示,和这些药物作用模式一致,CODE-AE 发现使用吉非替尼、AICAR 的患者,药物反应图谱相似。

也就是说,CODE-AE 发现了患者治疗的正确靶点,即可以预测适用药物。

通讯作者系中科大校友

如上研究团队来自纽约市立大学。

通讯作者为 Lei Xie,他本科毕业于中国科学技术大学高分子物理专业。

硕士毕业于罗格斯大学计算机科学专业;博士同在罗格斯大学,但拿的是化学系学位。

据了解,该研究团队下一步将开发 CODE-AE 对新药临床反应在浓度、代谢方面的预测功能。

研究人员表示,该 AI 模型还有可能被调整为用于预测药物对人体的副作用影响。

值得一提的是,Nature 子刊《Nature Machine Intelligence》专门关注人工智能和生命科学跨学科应用研究,每年收录论文平均数量在 60 篇左右。

论文地址:

https://www.nature.com/articles/s42256-022-00541-0

参考链接:

https://phys.org/news/2022-10-ai-accurately-human-response-drug.html