哈佛医学院副教授Marinka Zitnik 及其实验室宣布开发出一种新的人工智能模型 TxGNN，该模型能够利用神经网络为现有药物建议新的治疗应用。Zitnik 及其共同作者上个月在《自然医学》杂志上发表了该模型，它能够从近 8000 种药物中进行选择，以治疗超过 17000 种疾病，包括一些了解甚少的疾病。
她将该模型比作福克斯医疗剧中具有神奇诊断能力的虚构主角格雷戈里·豪斯（Gregory House）。TxGNN 能够“将知识从研究充分的疾病转移到数据稀少的疾病，无需进行广泛的临床试验或新药开发即可确定候选药物”，Zitnik 在一封电子邮件中写道，“这可以降低成本和上市时间，为推进被忽视疾病的治疗提供了急需的途径。”
“就像电视剧中的豪斯医生一样，这些模型通过结合不同的医学事实和可能不明显或不直接相关的线索来应对医学挑战，”她补充道。
与其他内部运作甚至对其开发者来说都常常未知的人工智能模型不同，TxGNN 包含一个“解释模块”，允许用户查看其推荐背后的医学原理。
范德比尔特大学的研究人员 Chao Yan 写道，解释模块“在很大程度上可以弥合研究与实际应用之间的差距”。Yan 表示，像 TxGNN 这样的模型在处理和分析医疗数据以发现新疗法方面远远超过了人类的能力。
芝加哥大学的科学家 Michael W. Mullowney 在一封电子邮件中写道，他“对人工智能在药物发现和药物再利用方面的应用极为乐观”，并补充说 TxGNN“在人类专家研究人员的直觉或能力不足的地方会大放异彩”。
不过，他写道，他仍“保持一定程度的谨慎，我想这在药物发现和开发社区中是普遍存在的”。Mullowney 写道，他担心人工智能模型产生假阳性的可能性。
“这种危险可能会因医生的不负责任行为而加剧，”Mullowney 写道，“我们不希望人工智能替医生做作业。”
Zitnik 写道，随着像她这样的模型变得更加突出，“监管框架将需要适应这种新范式”。
“现行法规可能未充分考虑人工智能生成的候选药物，因此像 FDA 和 EMA 这样的监管机构需要为在药物开发中使用人工智能建立明确的指导方针，”她写道。
