克利夫兰诊所医疗专业人员人工智能峰会上的一位演讲者表示，新的基础人工智能模型正在加速生物医学研究的进步。
基础人工智能模型可以用于许多任务，并能将它们在一个情境中学到的信息应用到另一个情境中，IBM研究员Jianying Hu博士告诉与会者。
Hu说："这一波新型基础模型非常具有变革性。我们学会了如何通过使用未标记数据进行自我监督学习，从大量多模态跨领域数据中构建通用模型。通过这种通用化和大规模的学习，我们可以得到能够捕捉内在实体和关系的表征，然后可以通过一种称为微调的过程用来构建下游模型。"
干细胞培养研究
Hu强调了这些模型在医疗保健领域的多种应用方式之一，即建立高保真度的人类原代细胞培养。
据Hu介绍，这个领域的难题在于难以将体外肠道上皮干细胞培养（ISCs）与体内观察结果进行比较，而这种比较对于理解肠道疾病和分化非常重要。
研究人员利用人工智能模型试图克服这一障碍，包括：
- 微调的BMFM-RNA模型，使用金标准的患者来源体内单细胞RNA测序数据进行上皮细胞类型分类；
- 对比工作流程，使用这些分类创建体外ISCs的定性基准，并将其与体内细胞进行比较；以及
- 证据代理工作流程，将模型结果与文献和基因表达数据库中的信息进行上下文化和整合。
Hu说："结果我们观察到体外系统与体内黄金标准之间有很强的一致性。这确实让我们有信心相信，这种将新型体外实验系统与生物医学基础模型相结合的新方法真的可以加速发现周期。"
阿尔茨海默病研究
Hu说，基础模型解决的另一个问题是需要减少实验负担以识别高特异性药物候选物（针对阿尔茨海默病）。
在一项研究中，Hu及其同事整合了一个名为MMELON的模型 - 该模型经过微调用于小分子结合亲和力预测，使用了来自106个G蛋白偶联受体的数据 - "与其他机器学习模型一起，包括轨迹分析和转换网络，然后使用这些分析数据...来识别药物再利用候选物。"
研究人员最终确定了33个阿尔茨海默病靶点。
Hu说："我们对515种肠道代谢物以及超过2000种经FDA批准的药物进行了大规模筛选，针对这些靶点识别出可能具有高结合亲和力的候选药物。"
还对每个靶点的高排名分子进行了额外分析。
Hu说："通过非常广泛的交叉验证，我们能够证实使用这种模型的预测可以产生比没有时更好更准确的结果。"
步态障碍研究
Hu说，评估步态障碍可以帮助医生检测疾病以及监测疾病进展和治疗反应，这是神经系统疾病患者的常见问题。然而，她指出当前使用商用传感器的步态分析机器学习模型受到训练数据规模和多样性的限制。
在发表于《自然》的一项研究中，"我们使用基于物理模型生成的合成数据来训练基础模型，这些模型用于创建视频和加速度计数据方面的步态合成数据，"Hu说道。"这些合成数据随后被用来训练下游模型，以执行评估任务，包括分类...以及预测。"
Hu说："通过利用基于物理的合成数据训练基础模型，我们能够在不同传感器设置和现实环境中实现下游测试模型更好的泛化能力。"
【全文结束】
