为了帮助找到治疗众多疾病的有效方法，创新的药物发现方法是必需的。这一过程极其漫长且昂贵，耗时长达15年，成本超过10亿美元。现在，一种名为TxGNN的开创性人工智能（AI）模型已经开发出来，有望改进对治疗选择有限的疾病的机会识别，并免费提供给临床科学家，以促进新疗法的搜索。
借助几何深度学习和以人为中心的AI的最新进展，哈佛大学Zitnik实验室推出了TxGNN，这是一种旨在创新药物再利用和发现的模型。TxGNN是一种图神经网络，预训练在一个涵盖17,080种临床认可的疾病和7,957种治疗候选药物的全面知识图谱上。这一庞大的数据集使TxGNN能够处理各种治疗任务，如预测适应症（药物的合适用途）和禁忌症（不应使用药物的情况），以透明的格式简化研究人员的药物搜索过程。
TxGNN是第一个专门开发用于识别罕见疾病和无治疗方法的疾病候选药物的AI模型，也是目前任何单一AI模型能够处理的最大数量的疾病。研究人员认为，TxGNN可以应用于更多疾病。
零样本推理：游戏规则改变者
TxGNN最显著的特点之一是其零样本推理能力。这意味着该模型可以在不需额外参数或基于真实标签微调的情况下，对新疾病进行预测。换句话说，TxGNN可以识别它从未遇到过的疾病的潜在治疗用途，使其成为对抗罕见和被忽视疾病的强大工具。据专家称，零样本推理是一种技术，模型可以分类或预测完全新的类别，即使它没有见过该特定类别的任何训练示例。
应对罕见和未诊断疾病
全球有超过7,000种罕见和未诊断疾病。尽管每种疾病影响的人数较少，但这些疾病集体影响了约3亿人，造成了巨大的人类和经济负担。只有5%到7%的这些疾病有FDA批准的药物，因此它们大多未得到治疗或治疗不足。开发针对这些疾病的新型药物是一个艰巨的挑战，但TxGNN带来了希望，免费工具的发布旨在促进该领域的更多工作。
TxGNN的表现令人印象深刻。除了为特定条件匹配药物外，它还预测了哪些药物会有副作用和禁忌症，这是当前药物发现方法主要通过早期临床试验的安全性测试试错来识别的。在评估中，该模型在预测适应症方面比现有方法高出49.2%，在识别禁忌症方面高出35.1%。
历史上，药物再利用——即为已批准的药物寻找新的治疗用途——往往是一种偶然行为。通过利用几何深度学习框架，TxGNN可以为没有现成药物的疾病做出治疗预测。这种能力对于解决复杂、被忽视或罕见疾病的需求尤为宝贵，这些疾病通常缺乏现有的适应症和已知的分子靶标相互作用。
可解释和透明的预测
TxGNN的一个关键优势是其可解释性。该模型的解释器模块提供了透明的见解，展示了形成TxGNN预测依据的多跳路径。这一功能使临床医生和科学家能够情境化和验证模型的预测，更容易信任和采取建议的治疗候选药物。在用户研究中，医学专家发现这些解释对于理解和验证TxGNN的预测至关重要。
TxGNN基于共同的基因组基础确定共享的疾病机制，允许从一个治疗明确的疾病推断到一个治疗不明确的疾病。这一能力使AI工具更接近于人类临床医生可能使用的推理方式，如果他们能够访问AI模型拥有的所有现有知识和原始数据，而这些数据是人类大脑无法存储或访问的。
该工具是在大量数据上训练的，包括DNA信息、细胞信号、基因活性水平、临床笔记等。研究人员通过让模型执行各种任务来测试和优化模型。该工具的性能通过120万患者记录进行了验证，识别了各种疾病的药物候选药物，并预测了会使识别的药物候选药物对某些人群禁忌的患者特征。
未来方向
TxGNN的成功为药物发现开辟了令人兴奋的新可能性。该模型能够推广到治疗选择较少的疾病并进行零样本推理，使其成为一个多功能工具，可以适应其他用例，如药物靶标发现和靶向治疗选择。此外，TxGNN采用的多疾病预测策略表明，全面的药物再利用方法可以产生比传统单一领域方法更多的重新定位药物候选药物。
TxGNN代表了药物发现领域的重大进展。通过利用几何深度学习和以人为中心的AI的力量，该模型为识别治疗选择有限的疾病的新治疗机会提供了有前景的解决方案。凭借其出色的表现、现实世界的验证和透明的预测，TxGNN有望在我们发现和再利用药物的方式上产生持久的影响，最终改善患者的护理和结果。
(全文结束)
