美国纽约，2026年6月10日 — 随着人工智能不断重塑生物医学研究，数据驱动方法为理解复杂的炎症性疾病开辟了新的可能性。在研究论文《深度统计机器学习在哮喘生物靶点筛选和免疫微环境调控中的作用与机制》中，深度统计机器学习被作为哮喘相关靶点发现和免疫微环境研究的工具进行探讨。
该研究解决了一个基于天然产物的药物发现中的核心挑战：如何在样本有限和结构复杂的情况下提高有前景的先导化合物的快速识别能力。天然产物显示出显著的生物活性和结构多样性，而哮喘研究与免疫调节和炎症反应密切相关。通过结合计算筛选和生物验证，该研究探索了一条更系统的方法来识别与炎症疾病研究相关的候选化合物。
该研究的核心是磷酸二酯酶4（PDE4）和磷酸二酯酶7（PDE7），这两种酶在论文中被确定为与炎症相关机制有关。论文强调PDE4/7双靶点抑制剂作为一个潜在的研究方向，特别是因为PDE4抑制剂在临床使用中可能与不良反应相关。通过专注于这些靶点，该研究探索了一条计算路径，用于识别具有潜在疗效和安全性优势的抗炎研究候选物。
为了识别潜在候选物，该研究结合了计算机辅助药物设计、深度学习、分子对接和实验验证。该框架比较了PDE4和PDE7蛋白的晶体结构和关键结合位点，筛选天然产物化合物，评估分子结构，并预测抑制活性。通过这一过程，该研究确定了179种可能与PDE4和PDE7相互作用的潜在小分子，然后选择了16种天然化合物进行进一步的活性验证。
该研究的一个主要特点是使用基于人工神经网络的预测模型。该模型从结构信息和已知的PDE4和PDE7抑制剂的半数抑制浓度（IC50）值中获取数据，旨在预测目标分子的生物活性。该研究还使用基于分子指纹的相似性分析来评估筛选化合物的结构特征，为进一步筛选和结构优化提供了基础。
该研究还通过纳入生物验证超越了计算预测。候选化合物通过PDE4和PDE7酶活性测定、基于细胞的实验和炎症因子分析进行测试。在脂多糖（LPS）诱导的炎症条件下进行的RAW264.7细胞实验中，该研究检查了一氧化氮（NO）水平，并通过酶联免疫吸附测定（ELISA）测试测量了白细胞介素-6（IL-6）和肿瘤坏死因子-α（TNF-α）。多种化合物显示出对PDE4和PDE7活性的抑制作用，为进一步研究基于天然产物的双靶点抑制剂提供了初步支持。
该研究的作者朱鹏伟（Pengwei Zhu）具有生物统计学、数据科学、定量建模、医疗保健分析和人工智能相关研究的跨学科背景。他是一位拥有博士学位的生物统计学家和应用经济学家，具有将统计建模和机器学习方法应用于医疗保健和数据驱动研究的经验。他的更广泛的研究经验还包括涵盖人工智能医疗、创新药物、医疗服务、医疗设备、健康管理以及产业政策等领域的医疗保健和人工智能行业研究。生物统计学、人工智能建模和医疗保健行业研究的这种结合为该研究的跨学科方向提供了背景。
通过连接深度学习、分子筛选和实验验证，朱的研究提供了一个实用的例子，说明人工智能辅助研究如何支持早期治疗探索。其意义不仅仅局限于一组候选化合物，而是指向了一个更广泛的研究方向，在这个方向中，机器学习可以提高筛选效率，优先考虑候选化合物，并支持针对哮喘等炎症疾病的基于天然产物的药物发现。
【全文结束】