全球药品消费量每年都在快速增长，2020年将达到40亿剂。随着越来越多的药品被人体代谢并进入污水和废水处理厂，其中发现的微量物质的数量和种类也在增加。当这些微量物质进入河流和海洋并被用作水源时，会对环境和人类健康产生有害影响，包括致癌和内分泌干扰。因此，需要技术来快速、准确地预测这些微量物质的性质和行为，但分析未知的微量物质需要昂贵的设备、熟练的专家和较长的时间。
韩国科学技术院(KIST)宣布，由水资源与循环研究中心主任 Hong Seok-won 和高级研究员 Son Moon 领导的团队开发出一种技术，可根据它们的物理化学性质并使用基于聚类和预测的人工智能技术预测它们的浓度。
研究人员使用自组织地图(一种根据数据的相似性将数据聚类成地图的人工智能技术)，根据理化性质、官能团和生物反应机制等信息对 29 种已知的痕量物质进行分类，包括药物化合物和咖啡因。然后进一步建立随机森林(一种将数据分类为子集的机器学习技术)来预测新痕量物质的特性和浓度变化。如果一种新的微量物质属于自组织图中的一个簇，则可以利用该簇中其他物质的性质来预测新的微量物质的性质和浓度将如何变化。
将这种聚类和预测的AI模型(自组织图和随机森林)应用于13种新微量物质，其预测精度约为0.75，非常出色，远远超过现有利用生物信息的AI技术0.40的预测精度。
与传统基于公式的预测方法相比，KIST研究团队的数据驱动分析模型的优点是仅输入微量物质的理化性质，通过聚类有效识别污水处理过程中新微量物质的浓度将如何变化。具有相似数据的物质。此外，数据驱动的AI模型未来还可用于预测社会关注的药物等新物质的浓度。
Seokwon博士说：“它不仅可以应用于实际的废水处理厂，还可以应用于大多数存在新微量物质的水处理相关设施，并可以在相关法规的决策过程中提供快速、准确的数据。” Hong 和 KIST 的 Moon Son 博士(共同通讯作者)。“由于它利用了机器学习技术，随着相关数据的积累，预测的准确性将会提高。”
免责声明：本文由用户上传，如有侵权请联系删除！
