随着人工智能在解码DNA、追踪病原体和加速药物发现方面发挥越来越重要的作用，实际能力与炒作之间的界限可能变得模糊。莱斯大学专家可以提供清晰、技术扎实的视角，说明这些工具如何在疾病检测、公共卫生准备和治疗设计方面取得实质性进展。
由莱斯大学肯·肯尼迪研究所支持的AI2Health研究集群汇集了计算生物学、机器学习和系统生物学专家，共同开发人工智能驱动的解决方案，以应对人类健康和健康治理中的关键挑战。AI2Health团队是肯·肯尼迪研究所12个研究集群之一，致力于弥合部门专业知识，推进莱斯大学负责任的人工智能和计算发展。
除了推进基础研究外，AI2Health成员和相关人员还专注于构建实用的、受生物学启发的AI工具，旨在使复杂数据更易于解释和采取行动。他们的方法可应用于人类健康的多个领域，其专业知识有助于指导公众对话，并为以下多个主题提供背景信息：
- 基于DNA的建模，用于预测阿尔茨海默病和痴呆等复杂疾病
- 用于传染病追踪和大流行缓解的病原体监测
- 通过计算分析改进癌症检测和靶向治疗
- 人工智能加速疫苗和药物设计
以下是莱斯大学专家，他们可以提供背景信息、帮助解释当前研究趋势或回答其专业领域的问题：
公共卫生的生物安全与生物监测
- 托德·特雷根（Todd Treangen）专注于计算方法用于病原体监测，以支持快速疫情响应等公共卫生计划。他的实验室开发了机器学习算法和开源软件，帮助科学家快速识别合成DNA和宏基因组数据中的有害病原体，其应用满足生物安全和传染病监测中的新兴挑战。特雷根是AI2Health集群的首席研究员。
解析健康与疾病的多组学方法
- 维姬·姚（Vicky Yao）开发机器学习和统计方法来分析大型、多样化的生物数据集并提取有意义的见解。她的工作优先考虑可解释性和数据整合，以揭示癌症和阿尔茨海默病等复杂疾病背后的分子机制。
基因组学和宏基因组学的人工智能与机器学习
- 圣地亚哥·塞加拉（Santiago Segarra）使用人工智能和高级数学建模来解释复杂的生物数据，特别强调用于基因组和宏基因组数据集的图机器学习方法。他的研究为理解大规模生物系统以及调控蛋白质相互作用、遗传组织和微生物生态的复杂网络提供了基础工具。
生物医学创新的计算生物物理学
- 伊万·科卢扎（Ivan Coluzza）是一名计算生物物理学家，使用基于物理学的方法研究蛋白质功能和分子设计。他的工作整合了计算和理论，以推进生物医学创新，将这些模型扩展到设计受蛋白质折叠原理启发的仿生材料。
下一代治疗的计算与系统生物学
- 卡梅伦·格拉斯科克（Cameron Glasscock）将计算生物学、蛋白质设计和合成生物技术结合起来，设计具有新功能或增强功能的蛋白质。他的工作通过基于物理学和人工智能增强的建模，为下一代治疗方法提供指导。
- 莱迪亚·卡夫拉基（Lydia Kavraki）利用她在物理计算和机器人学方面的深厚专业知识，推进用于建模蛋白质柔韧性和功能的计算方法。她的工作创建了创新的人工智能算法和软件工具，加速药物发现，增强治疗效果预测，并实现更精确的个性化癌症免疫疗法设计。
进化生物学
- 卢亚·纳赫莱（Luay Nakhleh）开发计算方法来研究基因、基因组和细胞网络如何随时间进化。他的研究有助于阐明推动疾病发生和进展的进化过程，在癌症基因组学等领域具有与人类健康相关的应用。
健康与疾病中的人类基因组和结构变异
- 弗里茨·塞德拉泽克（Fritz Sedlazeck）开发下一代人工智能和机器学习方法，以解码人类基因组变异的全谱。他的研究有助于改进诊断，个性化疾病风险预测，并揭示神经系统、心血管和发育障碍背后的生物机制。
"作为一名计算生物学家，我认为该领域正处于一个有趣的转折点，我们可以预期在分析基因组数据的速度和规模方面取得显著进展，并揭示生物学见解，"莱斯大学乔治·R·布朗工程与计算学院院长、计算机科学和生物科学教授威廉和斯蒂芬妮·西克（William and Stephanie Sick）表示。"未来继续合作并关注这些工具的伦理维度将是至关重要的，这一承诺是AI2Health研究集群的核心。"
【全文结束】
