最近发表于《美国国家科学院院刊》的一项研究表明，研究人员利用人工智能创新性地识别用于结核病治疗的潜在抗菌化合物。这项研究由加州大学圣地亚哥分校（University of California San Diego）、林奈生物科学公司（Linnaeus Bioscience Inc.）和西雅图儿童研究所全球传染病研究中心（Center for Global Infectious Disease Research at the Seattle Children’s Research Institute）的科学家们共同领导。
结核病是一种全球性的健康威胁，2022年感染人数超过1000万。引起“结核病”的病原体可以通过空气传播至肺部，导致持续咳嗽、胸痛、疲劳、发热和体重减轻等症状。
尽管其他地区感染更为普遍，但堪萨斯州目前正在经历美国历史上最严重的结核病爆发之一，已造成两人死亡。
抗生素通常用于治疗结核病，但由于耐药菌株的出现，寻找新的治疗候选药物变得尤为迫切。
位于圣地亚哥的生物技术公司林奈生物科学基于加州大学圣地亚哥分校生命科学学院教授乔·波利亚诺（Joe Pogliano）和院长基特·波利亚诺（Kit Pogliano）开发的技术成立。他们的细菌细胞学分析（BCP）方法提供了一种快速理解抗生素作用机制的方法。
使用传统实验室方法寻找新的结核病药物靶点一直具有挑战性且耗时，主要原因是难以理解新药物如何对抗结核分枝杆菌（Mycobacterium tuberculosis），即引发该疾病的细菌。
最近的《美国国家科学院院刊》研究详细介绍了由盖茨基金会资助的下一代技术“MycoBCP”的发展。这种新技术结合了BCP与深度学习，后者是一种利用类似于大脑的神经网络的人工智能形式，旨在克服传统障碍并为结核分枝杆菌细胞提供新的视角。
“这是首次将这种基于机器学习和AI的图像分析应用于细菌。结核病图像本身很难通过肉眼或传统实验室测量进行解读。机器学习在检测形状和模式差异方面更加敏感，这对于揭示潜在机制至关重要。”加州大学圣地亚哥分校分子生物学系教授兼研究合著者乔·波利亚诺表示。
MycoBCP技术由研究的主要作者约瑟夫·苏吉（Joseph Sugie）和迪亚娜·夸克（Diana Quach）在两年内开发完成，他们使用超过46,000张结核细胞图像训练了称为卷积神经网络的AI工具。目前，苏吉和夸克都在林奈生物科学工作，他们都获得了加州大学圣地亚哥分校舒琴-吉恩莱生物工程系的博士学位，并在分子生物学系的波利亚诺实验室完成了博士后研究。
“结核细胞粘连在一起，似乎总是紧密相连，因此定义细胞边界似乎是不可能的。我们直接让计算机为我们分析图像中的模式。”林奈生物科学首席技术官兼研究主要作者约瑟夫·苏吉说道。
林奈与西雅图儿童研究所的结核病专家塔尼亚·帕里什（Tanya Parish）合作，为分枝杆菌创建了BCP。除了帮助团队找到最佳的药物开发候选化合物外，新系统已经大大提高了团队的结核病研究能力。
“推进新药物候选物的关键在于定义其作用机制，这在技术上具有挑战性且耗时。这项技术扩展并加速了我们的能力，使我们能够根据它们的作用机制优先选择哪些分子进行研究。我们很高兴能与林奈合作，开发这项针对结核分枝杆菌的技术。”西雅图儿童研究所结核病专家塔尼亚·帕里什表示。
(全文结束)
