Facebook称AI可以预测出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单一AI模型，该模型可以预测药物组合、剂量、时间和其他类型的干预措施（如基因缺失）的效果。Facebook表示，与慕尼黑亥姆霍兹中心合作开发的这一模式可以加快确定药物组合和其他治疗方法的进程，从而为该病带来更好的疗效。
找到重新利用现有药物的方法已被证明是治疗疾病，包括癌症的有力工具。近年来，医生们看到了“药物鸡尾酒”在对抗恶性疾病方面取得的成功，并不断探索针对患者的个性化治疗方法。然而，找到合适剂量的现有药物的有效组合具有挑战性，部分原因是几乎无限的可能性。研究人员必须尝试500到190亿种溶液，才能在100种药物中找到最佳的解决方案。
Facebook的开源模型compositional perfusion autoencoder（CPA）可以观察联合用药治疗的细胞，并预测新联合用药的效果。与从标签数据集学习的监督模式不同，Facebook通过揭示数据各部分之间的关系，从数据中生成标签的步骤被认为是实现人类智能的关键。根据Facebook的说法，CPA的预测需要数小时，而传统的方法可能需要数年，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测序用于在分子水平上测量细胞中的基因表达，并研究干扰的影响，包括药物组合。学术界和工业界已经发布了包含数百万个细胞和每个细胞20000个读数的RNA测序数据集，以促进生物医学研究。
Facebook使用这些数据集来训练CPA，使用一种称为自动编码的方法，对数据进行压缩和解压缩，直到它总结出对成对预测有用的模式。CPA首先分离并了解细胞的关键属性，如药物的作用、组合、剂量、时间、基因缺失或细胞类型。然后独立地重组这些属性来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了解每种药物的作用，然后重组每种药物以推断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5个公开的RNA序列数据集，这些数据集包含药物、剂量和其他癌症细胞混杂因素的测量结果。基于代表基因表达预测准确性的R2，Facebook称CPA在训练和测试之间是“一致的”，这是健壮性的标志。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”匹配。
Facebook认为，CPA可以“显著”加快确定最佳治疗组合的进程，并为药物开发的新机遇铺平道路。为此，该公司提供了一个API和一个软件包，允许研究人员插入数据集，并通过预测运行它们。
尽管Facebook声称CPA架构很新颖，但它并不是第一个设计用于预测药物相互作用的算法。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，通过模拟体内19000多种蛋白质和药物的相互作用，可以预测药物合用的效果。
