AI系統有助突破醫藥研發瓶頸

https://blog.csdn.net/weixin_42137700/article/details/84934472

加拿大滑鐵盧大學的 AI 科研人員開發出了一套 AI 系統，有助於加速新藥研發、減少所需時間和費用。

這項名為模式到知識（ Pattern to Knowledge ， P2K ）的新技術可以在幾秒鐘內預測生物序列的結合，並且有可能減少藥物研究中的瓶頸。

P2K 使用人工智慧（ AI ）來利用資料中提供的深層知識，而不是僅僅依靠經典的機器學習技術。“ P2K 是一項改變遊戲規則的技術，因為它能夠揭示在複雜物理化學環境中糾纏在一起的微妙蛋白質關聯，並且只根據序列資料就能夠有力地預測相互作用，”系統設計工程系教授兼模式分析與機器智慧中心（ Centre for Pattern Analysis and MachineIntelligence ， CPAMI ）創始主任 Andrew Wong （安德魯·王）說道。“從經過驗證的科學成果中獲取這些深層知識的能力將推動生物學研究向前發展。 P2K 有能力改變未來的資料使用方式。”

雖然已經收集了大量生物序列資料，但提取有意義的知識和有用的知識並不容易。 P2K 演算法透過解開多個關聯來識別和預測控制蛋白質相互作用的氨基酸結合，從而應對這一挑戰。由於 P2K 比現有生物序列分析軟體的速度快得多，且預測準確度提高了近 30% ，它可以大幅加快新藥的發現速度。透過從雲端資料庫中提取資訊， P2K 可以預測腫瘤蛋白質和潛在的癌症治療將如何相互作用。

儘管仍處於早期原型階段，黃教授及其團隊已經向科研人員公開提供 P2K 線上系統，幫助他們開始識別新的生物序列相互作用。“將這項人工智慧技術置於生物醫學科研人員之手將產生立竿見影的效果，它可以用於未來的科學發現，”系統設計工程系研究助理兼 P2K 共同發明人安東尼奧·司徒（ Antonio Sze-To ）說道。

由於 P2K 可以分析序列資料，其適用性並不限於生物醫學研究。 P2K 可以透過做出有用的關聯並進行智慧交易預測來使金融行業獲益，或透過預測潛在網路攻擊的可能性來使網路安全部門受益。

研究論文“ Pattern to Knowledge: Deep Knowledge-DirectedMachine Learning for Residue-Residue  Interaction Prediction （模式到知識：適用於殘基相互作用預測的深層知識導向機器學習技術）”最近在自然出版集團的《科學報告》（ Scientific Reports ）期刊上發表。