在理解和治疗特发性肺纤维化（IPF）方面取得了重大进展，耶鲁大学医学院的研究人员与国际合作者开发了一种AI系统，可以学习肺部瘢痕如何进展，并提出阻止它的药物候选物。
该工具被称为UNAGI（统一的计算机内细胞动力学和药物筛选框架），发表在《自然生物医学工程》杂志上，能够通过分析单细胞测序数据来建模疾病特异性的调控网络并建议治疗方法。
“该模型寻找调控因素——是什么特征和管理变化的——然后利用已知的药物数据库，也提出治疗方案，”耶鲁大学肺医学教授兼资深作者Naftali Kaminski博士说道。
IPF：一种无法治愈的纤维化疾病
IPF是一种进行性和致命的肺部疾病，其中肺部外围组织变得纤维化，影响呼吸。尽管其严重性，病因仍然未知。目前的药物，吡非尼酮和尼达尼布，仅能减缓疾病的进展，并可能带来副作用。它们不能逆转潜在的组织瘢痕。
与以前的AI工具不同，UNAGI是有疾病信息的。它首先通过学习基因表达和调控通路在健康和纤维化细胞之间的变化来建模疾病。然后，利用药物数据库，虚拟测试数千种化合物，寻找能够阻止或逆转这些病理过程的药物。
AI揭示了纤维化的隐藏驱动因素
耶鲁团队从超过23万个处于不同疾病阶段的纤维化肺部细胞中获取基因表达数据。他们与KU Leuven和麦吉尔大学的合作者一起，将数据输入到UNAGI中。
该模型迅速识别出纤维化的关键调控因子，绘制了不同肺细胞在疾病进展中的演变图，并突出了八种候选药物，其中一种已经获批用于IPF。
有趣的是，AI还标记了一种通常用于高血压的钙通道阻滞剂硝苯地平，具有抗纤维化的潜力。研究人员在实验室培养的肺组织中进行了测试，证实它可以阻止疤痕形成，验证了AI的预测。
“UNAGI正在触及我们之前未曾考虑过的路径，”Kaminski说。
适用于其他疾病的平台
虽然设计用于IPF，但UNAGI也在COVID-19数据和与老化相关的组织数据上进行了测试，表明它可以被重新用于各种复杂病症。与传统模型不同，当接触到新数据时，它可以自主完善自己，节省时间和成本。
“该模型不断发展以理解越来越多关于疾病的信息，”麦吉尔大学的共同作者Jun Ding说。
AI与单细胞测序的结合正在重塑疾病建模。就IPF而言，UNAGI不仅加速了药物发现，还为纤维化的分子驱动因素打开了新的窗口。
尽管硝苯地平可能不会成为一线疗法，但能够揭示以前被忽视的治疗途径标志着肺部研究的重大飞跃。
“我们既有非常复杂的基于AI的分析方法的融合，又有生成足够高分辨率数据的能力来进行这些观察，”Kaminski说。
(全文结束)
