登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《人工智能工具“SMART 2.0”缩短天然化合物识别过程》

  • 来源专题：中国科学院文献情报系统—海洋科技情报网
  • 编译者： liguiju
  • 发布时间：2020-03-13

  • 加利福尼亚大学圣地亚哥分校（UCSD）的研究人员在2月11日发布的一项研究中描述了一种分析工具，该工具利用人工智能来快速识别包括具有潜在益处的抗癌药或抗生素在内的化合物。在UCSD斯克里普斯海洋研究所（Scripps）海洋生物技术和生物医学中心（CMBB）联合教授William Gerwick和斯卡格斯药学院于2017年推出SMART（小分子精确识别技术）人工智能工具之后，研究人员又开发了新版本。根据发表在《美国化学学会杂志》（American Chemical Society）上的研究，现如今，第二代人工智能工具SMART2正在缩短识别自然界中发现化合物的时间。

    这种新工具是由UCSD实验室William Gerwick、计算机科学与工程系的Gary Cottrell和Skaggs药学院的Pieter Dorrestein三人共同研发。这主要得益于UCSD的独特体制，来自校园内不同的实验室汇聚在一起，共同协作，为科学和社会创造新颖的研究方案和工具。

    该团队获得了美国国立卫生研究院以及戈登和贝蒂摩尔基金会的资助。Gerwick表示SMART2可以加速耗时数周或数月甚至数年的分析，既节省时间又节省金钱，而将药物推向市场的平均成本为20亿美元，平均需要13到15年的时间。

    （李亚清 编译）

  • 原文来源：https://scripps.ucsd.edu/news/smart-20-revolutionizing-identification-natural-compounds
214浏览量
原文链接
相关报告

  • 《前沿 | 人工智能工具可根据活检图像预测癌症基因活动》
    • 来源专题：光电情报网信息监测服务平台
    • 编译者：胡思思
    • 发布时间：2024-11-15
    • 一项名为SEQUOIA的新型AI程序可以分析肿瘤活检的显微镜图像（左图，紫色），并快速确定其中所含细胞中可能开启和关闭的基因（右侧以红色和蓝色阴影显示基因表达） 为了确定癌症的类型和严重程度，病理学家通常在显微镜下分析肿瘤活检薄片。但要弄清楚哪些基因组变化驱动了肿瘤的生长（这些信息可以指导如何治疗），科学家必须对从肿瘤中分离出的 RNA 进行基因测序，这个过程可能需要数周时间，花费数千美元。 现在，斯坦福医学院的研究人员开发了一种人工智能计算程序，该程序可以仅基于活检的标准显微镜图像来预测肿瘤细胞内数千个基因的活动。 该工具于 11 月 14 日在《自然通讯》杂志上发表，使用来自 7,000 多个不同肿瘤样本的数据创建。该团队表明，它可以使用常规收集的活检图像来预测乳腺癌的基因变异并预测患者的治疗结果。 “这种软件可以用来快速识别患者肿瘤中的基因特征，加快临床决策并为医疗保健系统节省数千美元，”生物医学数据科学教授兼论文资深作者 Olivier Gevaert 博士说。 这项工作还由斯坦福大学研究生 Marija Pizuria 和博士后研究员 Yuanning Zheng 博士和 Francisco Perez 博士领导。 基因组学驱动 临床医生越来越多地指导选择癌症治疗方法（包括化疗、免疫疗法和激素疗法），推荐给患者，不仅基于患者的癌症影响哪个器官，还基于肿瘤利用哪些基因来促进其生长和扩散。开启或关闭某些基因可能会使肿瘤更具侵袭性、更容易转移，或对某些药物产生反应的可能性增加或减少。 然而，获取这些信息通常需要昂贵且耗时的基因组测序。 Gevaert 和他的同事知道，单个细胞内的基因活动可以改变这些细胞的外观，而这种改变往往是人眼无法察觉的。他们求助于人工智能来寻找这些模式。 研究人员首先从 16 种不同癌症类型的 7,584 例癌症活检样本开始。每例活检样本都被切成薄片，并使用一种称为苏木精和伊红染色的方法进行准备，这种方法是观察癌细胞整体外观的标准方法。研究人员还提供了有关癌症转录组（即细胞正在积极使用的基因）的信息。 工作模型 研究人员整合了新的癌症活检样本以及其他数据集（包括来自数千个健康细胞的转录组数据和图像），该人工智能程序（他们将其命名为 SEQUOIA（使用线性注意的基于幻灯片的表达量化））能够从染色图像中预测超过 15,000 种不同基因的表达模式。 对于某些癌症类型，AI 预测的基因活动与真实基因活动数据的相关性超过 80%。一般而言，初始数据中包含的某种癌症类型的样本越多，模型对该癌症类型的预测效果就越好。 Gevaert 表示：“我们经过多次迭代才让该模型达到我们满意的水平。但最终对于某些类型的肿瘤来说，它已经达到了可以在临床上使用的水平。” Gevaert 指出，医生在做出临床决策时，通常不会一次查看一个基因，而是查看包含数百个不同基因的基因特征。例如，许多癌细胞会激活与炎症相关的数百个基因，或与细胞生长相关的数百个基因。与其预测单个基因表达的表现相比，SEQUOIA 在预测如此大的基因组程序是否被激活方面的表现更为准确。 为了使数据易于获取和解释，研究人员对 SEQUOIA 进行了编程，将基因发现显示为肿瘤活检的可视图，让科学家和临床医生看到肿瘤不同区域的基因变异有何不同。 预测患者治疗结果 为了测试 SEQUOIA 在临床决策中的实用性，Gevaert 和他的同事确定了乳腺癌基因，该模型可以准确预测这些基因的表达，这些基因已用于商业乳腺癌基因组测试。（例如，美国食品和药物管理局批准的 MammaPrint 测试分析了 70 种乳腺癌相关基因的水平，为患者提供癌症复发风险的评分。） Gevaert 表示：“乳腺癌具有许多经过深入研究的基因特征，这些特征在过去十年中已被证明与治疗反应和患者结果高度相关。这使其成为我们模型的理想测试案例。” 研究团队表示，SEQUOIA 仅使用肿瘤活检染色图像即可提供与 MammaPrint 相同类型的基因组风险评分。研究人员在多组不同的乳腺癌患者身上重复了这一结果。在每例中，被 SEQUOIA 确定为高风险的患者预后较差，癌症复发率较高，且癌症复发时间较短。 该人工智能模型目前还不能在临床环境中使用——它需要在临床试验中进行测试并获得 FDA 批准，然后才能用于指导治疗决策——但 Gevaert 表示，他的团队正在改进该算法并研究其潜在应用。他说，未来 SEQUOIA 可以减少对昂贵的基因表达测试的需求。 “我们已经证明了这种方法对乳腺癌的实用性，现在我们可以将它用于所有癌症，并查看任何基因特征，”他说。“这是我们以前没有的全新数据来源。”
    59浏览量
    原文链接

  • 《ESMO 2023：人工智能是肿瘤学的“新目标”》
    • 来源专题：战略生物资源
    • 编译者：李康音
    • 发布时间：2023-10-31
    • 本文内容转载自“智药局”微信公众号。原文链接: https://mp.weixin.qq.com/s/aELFPPL7A9PVTFVWX0m9tg 欧洲肿瘤内科学会年会 (ESMO) 是欧洲最负盛名和最具影响力的肿瘤学会议。2023 年 ESMO 大会于 10 月 20 日-24 日在西班牙马德里举行，超过3300名肿瘤学家到场交流，涵盖了肿瘤领域的基础研究、转化研究以及最新的临床研究进展。今年的大会上，也聚集了马德里的医生和深度学习专家，讨论人工智能在该领域的挑战和进展。在会议上，专家们发问：“ 我们是否进入了大数据和人工智能的肿瘤学新时代？” 五大应用领域 肿瘤学中的人工智能有五大应用领域，包括转化肿瘤学（临床前实验）、癌症成像、临床结果、临床决策和人工智能系统还有望简化分子病理学实验室的工作流程。 辅助药物设计 智药局注意到，本届ESMO中有多家AI药企携最新的管线参与会议。例如英矽智能携QPCTL小分子抑制剂亮相，分享多癌种研究数据。Exscientia也带来 LSD1 和 MALT1 抑制剂的新临床前数据，目前已经进入临床管线中。除此之外，还有药企分享借助人工智能和生物信息平台改善细胞疗法的结果。“经过多年的负面研究和高毒性率，由于嵌合抗原受体设计的改进、特异性的上调以及可能的下调，新的分子技术和生物信息学平台似乎有助于产生具有更积极结果的增强细胞疗法。”丹麦哥本哈根大学医院国家癌症免疫治疗中心的 Inge Marie Svane 教授说。 例如，大会介绍了来自BioNtech的一种非工程新抗原特异性 T 细胞产品 (BNT221) 治疗难治性转移性黑色素瘤的 I 期首次人体研究的中期结果。这项疗法使用通过白细胞分离术从个体患者身上收集的外周血单核细胞来创建个性化的 BNT221，其中包含针对患者肿瘤特异性的多种新抗原的 T 细胞反应。BioNtech使用生物信息学平台预测每位患者的免疫原性新抗原产物，然后用于在离体诱导过程中启动、激活和扩展来自 CD4+ 和 CD8+ 区室的记忆和从头 T 细胞反应。结果显示，9 名患者在淋巴细胞清除化疗后接受单次输注 BNT221，没有观察到剂量限制性毒性以及与淋巴细胞清除相关的输注后 3-4 级血液学毒性。9 名患者中有 4 名检测到肿瘤缩小。通过 TCR 测序分析，在一名接受测试的患者中观察到肿瘤浸润的证据。虽然到目前为止只有少数患者接受了治疗，因此预测反应的程度或持久性还为时过早，但令人鼓舞的是，注入的新抗原特异性 T 细胞浸润了肿瘤病变，这意味着它们能够瞄准肿瘤。 生成新疗法的生物信息学平台正在迅速塑造研究格局，但仍需要正确定义其评估和批准。 诊断癌症成像 癌症成像和预测生物标志物识别是 2023 年 ESMO 大会上提出的研究报告中执行地最好的任务。近年来，人工智能应用已从研究转向临床实践，多种人工智能工具现已获得美国 FDA 批准或在欧洲获得 CE 标志，还有许多其他工具目前正在评估中。在 2023 年 ESMO 大会上，展示了多种人工智能工具的性能数据，强调了它们在一系列应用中的优势。例如一项研究表明，开发用于肺结节分析的人工智能工具首次证明了在CT图像上预测磨玻璃结节（GGNs）患者肺癌风险的能力，用来帮助对GGN患者展开干预性措施。AI工具评估了来自169个癌症和347个良性结节的CT图像时，与两个参考模型相比，它显示出积极预测GGN恶性肿瘤的能力略高，受试者工作特征曲线（AUC）下的面积为89.1%，而86.5%和80.9%。此外，该工具排除了48.7%的良性模块（100%灵敏度）的恶性肿瘤，而参考模型的恶性肿瘤为14.1%和16.7%。 人工智能系统还有望简化分子病理学实验室的工作流程。AIMMeR 的评估就是一个例子，这是一种人工智能工具，用于自动确定大会上提出的 II/III 期 CRC 患者的免疫组织化学图像中的错配修复 (MMR) 蛋白状态。该分析包括来自 SCOT 试验的 2,000 多个病例，比较了基于奥沙利铂的辅助化疗 3 个月和 6 个月，AIMMeR 在识别 MMR 缺陷方面表现出很高的准确性，证明了该队列的预后和预测价值。 识别临床结果/预测生物标志物 ESMO中还探讨了人工智能在识别临床结果的预测生物标志物方面的作用。在第一个项目中，对深度学习 AI 框架 NaroNet 进行了评估，以确定可预测 53 名接受免疫检查点抑制剂治疗的晚期黑色素瘤患者的疗效和毒性结果的生物标志物。在治疗前的肿瘤标本中，NaroNet 确定了两个肿瘤微环境邻域，它们均与 3-4 级免疫相关不良事件（均 p=0.008）和疾病进展（均 p=0.009）显著相关。研究作者提出，这些社区有可能作为治疗前的生物标志物，以识别可能受益于替代治疗方案的患者。 在第二项研究中，对接受检查点抑制剂和化疗的转移性结直肠癌 (CRC) 患者的全切片图像中的肿瘤浸润淋巴细胞 (TIL) 进行了人工智能分析，以预测对免疫肿瘤药物的反应。在此分析中，Lunit SCOPE IO 工具有效地表征了肿瘤微环境，并揭示了几种免疫相关生物标志物和结果之间的关联。研究人员得出结论，基于人工智能的肿瘤微环境评估，特别是肿瘤内 TIL 密度，与复发性晚期头颈鳞状细胞癌 ICI 的良好治疗结果相关。该研究已经发布在《临床肿瘤学杂志》(JCO) 上。 专家 指出：“正如这两项研究所示，将人工智能模型应用于数字化(H&E) 染色样本，强调了它们提取具有生物学和临床意义的见解的潜力。”“这可能具有深远的影响，特别是在癌症免疫治疗领域，因为它能够预测治疗反应、进展风险和免疫治疗相关副作用的风险。” 新的黄金 尽管人工智能和数据科学在ESMO上不算主角，大家更关心的是药物的临床阶段数据，尤其是ADC药物。但仍需承认的是，AI已经成为不可忽视的力量，正在改变癌症研究的某些领域。当下，已经有基于人工智能的平台帮助药物的更快地进行临床前研究，影像和病理诊断，以及分析电子健康记录和医学成像设备中常规收集的数据。例如，在癌症遗传学领域，出具患者与靶向治疗的基因组报告很多都是通过人工智能识别的。在本届大会中，发布了《ESMO 肿瘤学真实世界证据报告指南（GROW）》旨在指导该领域的科学报告，也涵盖了基于人工智能的技术主题，这并非巧合。 作为临床试验的补充，由先进数据分析支持的现实世界研究变得越来越普遍，并且也开始在药物研发阶段，被监管机构使用。为了训练算法，公司需要大量数据，因此获取数据已成为一种商业模式。包括私人生活、实验室测试、生物样本和诊断数据。在AI赋能肿瘤学的当下，医院生成的数据可以被视为新的黄金。 未来，这些由算法构建的模型会帮助患者带来更多的疗法，减轻医生的负担，以及更好的患者护理和监管。
    547浏览量
    原文链接