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
小伙伴们对科技周边编程感兴趣吗？是否正在学习相关知识点？如果是，那么本文《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》，就很适合你，本篇文章讲解的知识点主要包括。在之后的文章中也会多多分享相关知识点，希望对大家的知识积累有所帮助！
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》。
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。
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
本篇关于《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》的介绍就到此结束啦，但是学无止境，想要了解学习更多关于科技周边的相关知识，请关注golang学习网公众号！
DBD: 基于分割后门训练过程的后门防御方法
- 上一篇
- DBD: 基于分割后门训练过程的后门防御方法
- 下一篇
- T前线 | 专访腾讯AILab：将成果由“点”到“线”，实验室不止于实验
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案，代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景，打造一站式知识长龙服务，适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例，全面具体可落地，从理论到实践，一步一步将GO核心编程技术、编程思想、底层实现融会贯通，使学习者贴近时代脉搏，做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信：Le-studyg；在课程中，我们将首先介绍MySQL8的新特性，包括性能优化、安全增强、新数据类型等，帮助学生快速熟悉MySQL8的最新功能。接着，我们将深入解析MySQL的网络通信机制，包括协议、连接管理、数据传输等，让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网，分为导航，轮播，关于我们，成功案例，服务流程，团队介绍，数据部分，公司动态，底部信息等内容区块。网站整体采用CSSGrid布局，支持响应式，有流畅过渡和展现动画。
- 485次学习
-
- ljg-skills
- ljg-skills 是李继刚开源的 AI 技能与提示词集合，面向大模型使用者整理了一批可复用的 prompt、角色设定和任务技能模板，适合用于学习提示词设计、搭建个人 AI 工作流和沉淀团队常用智能体能力。
- 1076次使用
-
- MELO音乐
- MELO音乐是一站式AI视频与音乐制作助手，对标suno, udio的高品质体验。提供伴奏生成、原创写词、无损导出、哼唱识曲、混音变声等全套音频与短视频编辑工具。无论是流行Kpop、电音说唱、民谣古风、摇滚儿歌还是商用轻音乐，MELO为你免费谱曲，轻松做同款！
- 1036次使用
-
- UniScribe
- UniScribe 是一款 AI 音视频转文字与内容整理工具，支持上传音频、视频文件或粘贴 YouTube 链接，自动生成转写文本、摘要、思维导图和关键问题，并支持多格式导出，适合会议记录、课程学习、访谈整理和内容创作复盘。
- 971次使用
-
- 剧云
- 剧云是专业中文剧本创作平台，安全稳定运行十余年，集成AI编剧、剧本医生审核、人物小传、剧情关系图、大纲编写、多人协作、Word导入导出、版权管控功能，数据安全防护，轻松高效创作剧本。
- 1159次使用
-
- 万象有声
- 万象有声，一个专为有声创作者打造的新一代智能有声内容创作平台。平台提供专业的智能拆章、智能画本编辑、AI配音、AI生成音效、后期制作、智能对轨、智能审听等有声创作全流程工具，可以帮助创作者高效、低成本创作出引人入胜的有声作品。立即体验，让有声书制作更简单！
- 1147次使用
-
- GPT-4王者加冕！读图做题性能炸天，凭自己就能考上斯坦福
- 2023-04-25 501浏览
-
- 单块V100训练模型提速72倍！尤洋团队新成果获AAAI 2023杰出论文奖
- 2023-04-24 501浏览
-
- ChatGPT 真的会接管世界吗？
- 2023-04-13 501浏览
-
- VR的终极形态是「假眼」？Neuralink前联合创始人掏出新产品：科学之眼！
- 2023-04-30 501浏览
-
- 实现实时制造可视性优势有哪些？
- 2023-04-15 501浏览
