麻省理工學院（MIT）的一項新研究可以為醫護人員提供有效治療新冠病毒-19患者所需的信息。最近，在美國國家科學院院刊的發布中，該研究開發了一個深度學習模型，該模型確定了對抗病毒的最佳藥物組合，盡管數據相對有限。

“通常，研究人員利用癌癥和心血管疾病等大型現有數據集建立深度學習模型，但這些模型無法用于數據有限的新疾病。我們的工作表明，我們可以通過整合不同種類的生物學知識來克服數據匱乏的挑戰，”主要作者金文功說，博德研究所埃里克和溫迪·施密特中心博士后助理，麻省理工學院博士。

隨著大量美國人未接種疫苗，突破性病例不斷增加，變異威脅迫在眉睫，有效的藥物組合仍然是緩解新冠病毒 -19 的核心。抗病毒藥物、治療性單克隆抗體和皮質類固醇等治療選擇已被證明是有效的。但關于最佳治療組合的問題還不清楚，同時也限制了可能的副作用。

了解這些藥物協同作用可以幫助患者更快地康復，增加生存的可能性，并減輕醫院資源的壓力。

訓練深度學習算法以識別治療疾病有效的藥物組合通常需要大量數據集。作為一種與癌癥、艾滋病毒或心臟病等疾病相比數據較少的新病毒，新冠病毒 -19 對模型開發提出了更大的挑戰。

研究人員采用一種新的雙管齊下的方法，創建了一種能夠處理有限數據的方法。首先，研究小組訓練了一個神經網絡來預測藥物是否會與生物靶點結合。這些靶點通過為藥物創造一個結合和抑制疾病生長的場所，在藥物治療中發揮著重要作用。對于新冠病毒 -19 ，這些靶點包括參與病毒復制的酶和蛋白質。

基于藥物的分子結構和疾病的生物靶點，一個模型還可以計算單一藥物的抗病毒效果。基于此信息，協同預測模型結合計算藥物治療的效力，確定最有效的組合。

神經網絡模型采用 NVIDIA GPU 和cuDNN加速深度學習框架來訓練和處理數據。通過 88 種不同的治療方案，研究小組確定了兩種主要的對抗病毒藥物：抗病毒藥物 remdesivir 與高血壓藥物利血平聯合使用，以及 remdesivir 與 IQ-1S （一種激酶抑制劑）聯合使用

圖 1 ComboNet 接受藥物組合協同作用、單藥抗病毒活性和藥物 – 靶點相互作用數據方面的培訓。資料來源： Jin 等人/ PNAS

該模型也適用于其他病原體。據金說，研究小組一直在與美國國立衛生研究院合作，尋找治療胰腺癌的藥物組合。

關于作者

Michelle Horton 是 NVIDIA 的高級開發人員通信經理，擁有通信經理和科學作家的背景。她在 NVIDIA 為開發者博客撰文，重點介紹了開發者使用 NVIDIA 技術的多種方式。

審核編輯：郭婷