关键要点
- 爱丁堡英国痴呆症研究所的科学家使用AI测试现有已获批药物是否可以重新用于治疗肌萎缩侧索硬化症(MND)、帕金森病和痴呆症。
- 该团队分析患者数据——包括语音录音和虹膜扫描——以及从患者血样培养的脑细胞。
- 机器学习算法被训练用于寻找能将患病细胞特征"翻转"回健康状态的药物。
- 约有1,500种已存在的药物是为其他病症获批的；重新利用这些药物可以跳过全新药物所需的十年以上时间线中的大部分。
- MND-SMART试验同时测试几种药物，而不是将单一治疗与安慰剂进行对比。
- 其他团队也在推进同样的想法：MIT使用生成式AI设计新的抗生素化合物，哈佛的TxGNN模型将现有药物匹配到数千种疾病。
- 该领域曾遭遇挫折——一项大型回顾发现阿尔茨海默病药物lecanemab和donanemab确实减缓了衰退，但对患者影响不大。
治疗神经系统疾病使用AI——艺术印象。图片提供：Alius Noreika / AI
人工智能正在缩短对肌萎缩侧索硬化症(MND)、帕金森病和痴呆症等脑部疾病的治疗方法的搜寻时间，它能够发现那些原本并非为这些病症设计但可能有效的现有药物。在爱丁堡的英国痴呆症研究所，科学家们将患者语音录音、虹膜扫描和实验室培养的脑细胞输入AI，然后让机器学习筛选药房货架上已有的药物。目标很直接：在几年内而非几十年内找到有效的治疗方法。
这种方法被称为药物再利用，而AI使其更快，因为它可以读取人类团队无法手工处理的海量数据集中的模式。大约有1,500种药物已经开发并获批用于其他疾病。其中任何一种都可能悄悄帮助受损的大脑——研究人员只是不知道是哪一种，或者没有快速检查的方法。AI改变了这一局面。
药物再利用对脑部疾病的意义
药物再利用是指将已经获批用于一种疾病的药物测试用于另一种疾病。优势显而易见：该药物已经通过了安全检查，并在人体中有已知的使用记录。研究人员跳过了最早期也是最慢的开发阶段，直接更接近临床应用。
这对于神经系统疾病来说至关重要，因为时间就是生命。据一些估计，将一种全新的药物推向市场可能需要超过十年的时间。对于患有快速进展疾病的人来说，十年不是一个抽象的数字——它比他们的寿命还要长。再利用压缩了这一时间线，因为基础工作已经完成。
然而，大脑并不容易走捷径。"大脑是人体最复杂的器官，所以我们必须应对这种复杂性的悖论，"英国痴呆症研究所首席执行官Siddarthan Chandran教授告诉BBC。直到最近，这种复杂性迫使科学家采用粗略、缓慢的研究方法。"AI和新技术的结合意味着我们现在可以做在我医学院时期无法想象的事情，"他说。
爱丁堡实验室内部：AI工作流程如何运作
爱丁堡的流程从患者到培养皿再到算法，然后回到患者。它始于数据。临床医生从患有帕金森病、痴呆症和MND的志愿者那里收集虹膜扫描和语音录音，建立一个旨在捕捉最早期变化迹象的数据库。AI整理并分析这些大量信息，寻找可能在症状固化前警示问题的模式。
实验室工作同时进行。研究人员从相同的志愿者那里采集血样，并将细胞诱导成干细胞，然后将它们培养成称为神经元的脑细胞簇。这为团队提供了活的、源自患者的组织进行实验——而无需在患者身上进行实验。
然后，使用机器人、传统实验室设备和运行专业算法的计算机，将现有药物应用于许多批次的这些神经元。机器学习模型在这里有一个任务：识别哪些药物能将神经系统"疾病特征"推回"健康"状态。当AI标记出有希望的候选药物时，该药物可以进入临床试验，试验对象就是最初提供细胞的那些患者。
针对MND的科学研究也变得更加具体。大多数病例涉及一种名为TDP-43的蛋白质的有毒积聚，以及由其他细胞类型（如星形胶质细胞和小胶质细胞）引起的损伤。由于多种途径同时导致疾病，研究人员越来越怀疑多种药物的组合——而不是单一的神奇药丸——将产生最佳效果。
简明步骤
| 阶段 | 发生什么 | 为什么重要 |
|---|---|---|
| 数据收集 | 从志愿者那里收集语音录音、虹膜扫描和临床记录 | 构建AI可以发现早期疾病标志的数据库 |
| 细胞创建 | 血样转化为干细胞，然后生长为神经元 | 为安全测试提供源自患者的脑组织 |
| 药物筛选 | 通过机器人和算法在神经元批次上测试已批准的药物 | 比手动实验室工作快得多地检查许多化合物 |
| AI预测 | 模型识别将患病细胞转向健康细胞的药物 | 将数千种选项缩小到值得试验的几种 |
| 临床试验 | 有希望的候选药物在患者中测试，例如通过MND-SMART | 确认实验室结果在真实人群中是否成立 |
更智能的试验方式：MND-SMART
传统药物试验之所以缓慢，部分原因在于其设计：一组接受治疗，另一组接受安慰剂，然后所有人等待。MND-SMART试验打破了这种模式，同时测试几种药物。这是一种更高效的设计，让研究人员能够在一次努力中了解多个候选药物，而不是一个接一个地运行它们。
对参与者来说，吸引力超出了机械层面。Steven Barrett OBE在十年前被诊断出患有MND，他将自己的参与描述为比自己结果更重要的事情。"对我而言，研究远不止是服用一片药——它是怀着交付成果的意图服用一片药，这些成果可能对我有帮助，也可能没有，但会帮助他人，"他说。
一位患者的观点："一线希望"
Steven Barrett在公务员生涯漫长且成绩斐然，并计划享受活跃的退休生活时，注意到腿部麻木。几年后，诊断结果出来了：MND，一种无法治愈的退行性神经系统疾病。
他没有掩饰这种疾病的危害。"MND是一种可怕的疾病，它剥夺了你的自我，"他从苏格兰阿洛阿的家中告诉BBC。"它剥夺了你可能为自己规划的任何未来感——这一切都消失了。"他说，他的家人也没有预料到这一点——他指向自己在工作、派对、儿子婚礼上的照片。
然而，他称研究是"一线希望"，对他自己以及面临MND或类似状况的其他人来说都是如此。这种希望正是AI工作旨在更快交付的东西。
超越爱丁堡：更广泛的运动
爱丁堡团队并非孤军奋战。在整个领域，AI正被指向同样的问题——隐藏在大量医疗数据中的解决方案——并取得了几个值得注意的成果。
在麻省理工学院，科学家们使用生成式AI设计了针对难以治疗的感染（包括耐药性淋病）的新抗生素化合物，更广泛的方法也与帕金森病等状况相关。这项工作显示AI正从筛选现有分子转向发明新分子。
在哈佛，研究人员建立了一个名为TxGNN的模型，于2024年发表在《自然医学》上，该模型使用图神经网络将现有药物匹配到疾病。其突出特点是"零样本"预测：它可以通过推理共享的生物特征，为从未专门训练过的疾病提出候选药物。在测试中，TxGNN识别出近8,000种药物在超过17,000种疾病中的潜在用途，其中许多疾病没有获批的治疗方法，并且在严格评估下，它将适应症预测提高了约49%。该模型免费提供，并且一个配套的"解释器"工具向临床医生展示每个建议背后的推理路径——直接回应了AI是黑箱的担忧。
| 项目 | 机构 | AI的功能 |
|---|---|---|
| 爱丁堡药物再利用流程 | 英国痴呆症研究所 | 在源自患者的神经元上测试已获批药物以治疗MND、帕金森病、痴呆症 |
| 生成式抗生素设计 | MIT | 为耐药感染和其他状况设计新化合物 |
| TxGNN | 哈佛/肯普纳研究所 | 将现有药物匹配到超过17,000种疾病，包括没有治疗方案的疾病 |
现实检验：该领域的挫折
这里的乐观情绪伴随着诚实的警告。两种曾被誉为突破的阿尔茨海默病药物，lecanemab和donanemab，最近面临了一项冷静的回顾。研究人员检查了涉及20,342名志愿者的17项研究，所有这些研究都测试了清除淀粉样蛋白（在患病大脑中发现的错误折叠蛋白质）的药物。结论是：这些药物确实减缓了疾病，但不足以对患者的生活产生有意义的影响。这一结论遭到了其他科学家的反驳，这提醒人们即使大数据集也留有激烈争论的空间。
教训不是说AI主导的研究是徒劳的，而是脑部疾病不容忍失败，进展很少是干净利落的。Chandran本人仍然坚定乐观。正如他对BBC所说，他认为研究人员"正处于变革的临界点"，在如何理解和治疗神经系统疾病方面。
为什么这对患者和英国国家医疗服务体系(NHS)很重要
再利用药物除了速度外，还有一个实际优势：它们往往更便宜。因为这些药物已经存在并且已获批准，重新部署它们避免了从头开始构建药物的大部分成本和风险。Chandran和他的团队相信，他们的工作可能比传统流程更快地带给神经系统疾病负担得起、有效的治疗方法。
对于目前没有治愈方法的数百万患者来说，这个等式很简单。更快、更便宜、更安全的试验候选药物意味着有更多机会找到有效的治疗方法——并且意味着这些机会在仍有时间采取行动时到来。
常见问题解答
AI如何帮助治疗神经系统疾病？
AI分析大量患者数据和实验室结果，以确定哪些现有已获批药物可能对MND、帕金森病和痴呆症等脑部疾病有效。它比手动研究快得多地发现模式并预测候选药物，然后这些候选药物进入临床试验。
什么是药物再利用？
药物再利用是指将已获批用于一种疾病的药物用于治疗另一种疾病。因为该药物已经通过了安全测试，它可以比全新化合物更快、成本更低地到达患者手中。
什么是MND-SMART试验？
MND-SMART是一项临床试验，同时测试几种药物，而不是将一种治疗与安慰剂进行对比。这种设计让研究人员能够更高效地评估多个候选药物。
AI能治愈肌萎缩侧索硬化症吗？
还不能。MND目前没有治愈方法。AI正被用来加速寻找可以减缓疾病或改善结果的治疗方法，并在几年而不是几十年内找到它们。
【全文结束】
