一种深度学习生成模型能够自主学习关于特发性肺纤维化（IPF）的知识。
一种新型的人工智能（AI）神经网络可以追踪特发性肺纤维化（IPF）的疾病进展并识别该疾病的潜在疗法。该模型由一个国际研究团队开发，并发表在《自然 - 生物医学工程》期刊上。
该新AI系统背后的研究人员解释说，IPF是这种技术的一个很好的候选对象，因为现有的疗法只能减缓而不能治愈该疾病。IPF也非常复杂，通常伴随着严重的合并症，使得疾病的进程难以预测。
这项研究的作者开发了一种深度生成神经网络，他们称之为UNAGI。该系统能够区分细胞类型、识别与疾病进展相关的基因，并确定相关的调控网络。然后，UNAGI可以将这些数据与现有疗法的数据库进行交叉引用。
“该模型寻找调节因素——哪些特征和调节变化——然后利用已知的药物数据库，也提出治疗方法，”该研究的作者之一、耶鲁大学医学院的Naftali Kaminski博士在新闻发布会上说。
Kaminski及其来自比利时鲁汶大学的同事们此前曾合作开发了一种从单个样本中追踪IPF进展的方法。这一突破之所以可能，是因为IPF在肺部的分布是可变的。Kaminski及其同事意识到，比较在肺移植手术期间收集的样本将使他们能够在不需要对同一患者进行重复随访的情况下分析疾病的各个阶段。
Kaminski表示，从研究的角度来看，那项工作是有成效的，但他们意识到AI将使他们获得更深入的见解。
为了帮助开发UNAGI，研究人员请来了麦吉尔大学医学院的计算生物学专家Jun Ding博士。他们一起使用来自23万个细胞的测序数据开发了这个AI模型。
Ding表示，UNAGI被设计为与疾病信息相关联。它不是一个通用的疾病模型，而是专门研究与IPF相关的基因和调控网络，然后利用这些数据进行自我完善。研究人员解释说，它的优势之一是可以在很大程度上自主学习，而无需人类研究人员不断手动干预。
“该模型不断进化，以了解越来越多关于疾病的信息，”Ding在新闻发布会上说。“这是一种双向的信息交换。”
对于Kaminski和Ding来说，该模型令人兴奋之处在于它不仅旨在帮助研究人员更好地理解疾病，还将这些见解与潜在的治疗手段联系起来。UNAGI可以利用其对疾病进展的见解来查询包含数千种已知作用机制的药物数据库。这种能力使它识别出了8种现有疗法，这些疗法可能对IPF有用。
其中包括两种组蛋白去乙酰化酶（HDAC）抑制剂，apicidin和belinostat。前者已被研究作为潜在的肺纤维化疗法，但Kaminski及其同事表示，由于安全问题，此类研究尚未进入临床前阶段。Belinostat已被批准为癌症疗法，并以Beleodaq品牌销售，但尚未在IPF中进行研究。
然而，Kaminski及其同事表示，一种现有疗法特别引人注目，即钙通道阻滞剂硝苯地平。他们指出，这种疗法广泛用于治疗高血压，并具有良好的安全性。然而，尽管一些有希望的早期研究表明它在小鼠模型中具有抗纤维化作用，但尚未在人类中研究作为IPF疗法。
Kaminski及其同事用IPF模型处理了人类肺组织样本，以观察硝苯地平可能产生的效果。正如UNAGI预测的那样，这种疗法似乎阻止了疤痕组织的形成。
虽然现在判断硝苯地平是否会成为IPF的有效疗法还为时过早，但Kaminski表示，他们的研究结果表明，UNAGI可以成为指导未来研究的有用工具。
“UNAGI正在触及我们之前未曾考虑过的路径，”他说。
(全文结束)
