弗吉尼亚大学的科学家开发了一种新的机器学习方法(人工智能的一种形式)来识别有助于减少心脏病发作或其他伤害后有害疤痕的药物。
新的机器学习工具已经找到了一种有前途的候选药物，可以以不同于以前药物的方式帮助预防有害的心脏疤痕。弗吉尼亚大学的研究人员表示，他们的尖端计算机模型也有可能预测和解释药物对其他疾病的影响。
“心脏病、代谢性疾病和癌症等许多常见疾病都很复杂且难以治疗，”计算生物学家、UVA Jeffrey J. Saucerman 博士实验室的前学生、研究员 Anders R. Nelson 博士说。“机器学习帮助我们降低这种复杂性，识别导致疾病的最重要因素，并更好地了解药物如何改变患病细胞。”
“机器学习本身可以帮助我们识别药物产生的细胞特征，”UVA 生物医学工程系的 Saucerman 说，该系是医学院和工程学院的联合项目。“将机器学习与人类学习联系起来，不仅帮助我们预测抗纤维化(疤痕)的药物，还解释了它们的作用原理。设计临床试验和识别潜在副作用需要这些知识。”
结合机器学习和人类学习
Saucerman 和他的团队将基于数十年人类知识的计算机模型与机器学习相结合，以更好地了解药物如何影响称为成纤维细胞的细胞。这些细胞通过产生胶原蛋白和收缩伤口来帮助修复受伤后的心脏。但作为修复过程的一部分，它们也会导致有害的疤痕，称为纤维化。Saucerman 和他的团队希望了解一系列有前景的药物是否能让医生更有能力预防疤痕形成，并最终改善患者的治疗结果。
先前尝试识别针对成纤维细胞的药物仅集中于成纤维细胞行为的选定方面，并且这些药物如何发挥作用通常仍不清楚。这种知识差距一直是开发心脏纤维化靶向治疗的主要挑战。因此，Saucerman 和他的同事开发了一种称为“基于逻辑的机械机器学习”的新方法，它不仅可以预测药物，还可以预测它们如何影响成纤维细胞的行为。
他们首先观察 13 种有前途的药物对人类成纤维细胞的影响，然后使用这些数据训练机器学习模型，以预测药物对细胞的影响及其行为方式。该模型能够预测一种新的解释，解释药物吡非尼酮如何抑制成纤维细胞内使心脏僵硬的收缩纤维，这种药物已被联邦食品和药物管理局批准用于治疗特发性肺纤维化。该模型还预测了实验性 Src 抑制剂 WH4023 如何靶向另一种类型的收缩纤维，并通过人心脏成纤维细胞进行了实验验证。
需要进行更多的研究来验证这些药物在动物模型和人类患者中是否有效，但弗吉尼亚大学的研究人员表示，他们的研究表明机械机器学习对于寻求发现生物因果关系的科学家来说是一个强大的工具。他们说，新发现表明该技术在推动新疗法开发方面具有巨大潜力——不仅针对心脏损伤，而且针对许多疾病。
“我们期待在临床前动物模型中测试吡非尼酮和 WH4023 是否也能抑制疤痕成纤维细胞收缩，”Saucerman 说。“我们希望这提供了一个例子，说明机器学习和人类学习如何协同工作，不仅发现而且理解新药的作用原理。”
免责声明：本文由用户上传，如有侵权请联系删除！
