利用人工智能模拟疾病以加速药物发现
理解细胞在疾病过程中如何变化是推进诊断和治疗的关键。Jun Ding博士（[Jun Ding, PhD](
他们的最新研究围绕一个名为UNAGI的平台展开——这是首批用于解码细胞动态并完全在虚拟环境中建模疾病的深度生成AI工具之一。通过模拟单个细胞随时间的变化以及它们对潜在治疗的反应，团队开创了一种新的“计算机内疾病治疗”方法。这种方法不仅加速了候选药物的发现，还减少了耗时的实验室实验需求。这项研究由郑宇民（Yumin Zheng）作为第一作者，发表在《自然生物医学工程》（[Nature Biomedical Engineering](
在这项研究中，UNAGI被用来识别IPF和COVID-19的候选疗法。在多个潜在药物中，该平台确定了一种广泛使用的降压药——硝苯地平（Nifedipine）——可能成为治疗肺纤维化的潜在药物。这一预测通过实验得到了验证，实验使用了在鲁汶大学（KU Leuven）移植手术中收集的高精度切割的人类肺组织切片，这些样本代表了不同的疾病阶段。耶鲁医学院（Yale School of Medicine）团队由共同通讯作者Naftali Kaminski博士（[Naftali Kaminski, MD](
UNAGI基于无监督深度学习——一种无需预标记示例即可从大型数据集中发现模式的人工智能形式。它分析单细胞转录组数据，追踪基因在单个细胞中的表达随时间变化的情况，以了解健康细胞如何转变为疾病状态。随后，UNAGI可以进行计算机内的扰动——即虚拟干预，模拟候选药物如何改变这些轨迹并恢复更健康的细胞行为。
除了特发性肺纤维化和新冠，该平台还被应用于其他疾病，例如杜氏肌营养不良症（Duchenne muscular dystrophy），进一步证明了其在人工智能驱动药物发现中的广泛应用。通过将深度学习与高分辨率单细胞组学相结合，UNAGI提供了一种可扩展、机制化且经济高效的方式来揭示疾病机制，并优先考虑各种条件下的治疗候选物。
这项工作的重要性在《自然》杂志2024年11月的技术专题文章“[人类细胞图谱的计算技术](
这项研究得到了Meakins-Christie实验室的支持，得益于丁博士担任的呼吸研究主席基金，以及来自加拿大卫生研究院（CIHR）、加拿大自然科学与工程研究委员会（NSERC）和魁北克研究基金会（FRQ）的资助。此外，三湖基金会（[Three Lakes Foundation](
(全文结束)
