https://blog.csdn.net/weixin_42137700/article/details/84934472

加拿大滑铁卢大学的 AI 科研人员开发出了一套 AI 系统，有助于加速新药研发、减少所需时间和费用。

这项名为模式到知识（ Pattern to Knowledge ， P2K ）的新技术可以在几秒钟内预测生物序列的结合，并且有可能减少药物研究中的瓶颈。

P2K 使用人工智能（ AI ）来利用数据中提供的深层知识，而不是仅仅依靠经典的机器学习技术。“ P2K 是一项改变游戏规则的技术，因为它能够揭示在复杂物理化学环境中纠缠在一起的微妙蛋白质关联，并且只根据序列数据就能够有力地预测相互作用，”系统设计工程系教授兼模式分析与机器智能中心（ Centre for Pattern Analysis and MachineIntelligence ， CPAMI ）创始主任 Andrew Wong （安德鲁·王）说道。“从经过验证的科学成果中获取这些深层知识的能力将推动生物学研究向前发展。 P2K 有能力改变未来的数据使用方式。”

虽然已经收集了大量生物序列数据，但提取有意义的知识和有用的知识并不容易。 P2K 算法通过解开多个关联来识别和预测控制蛋白质相互作用的氨基酸结合，从而应对这一挑战。由于 P2K 比现有生物序列分析软件的速度快得多，且预测准确度提高了近 30% ，它可以大幅加快新药的发现速度。通过从云端数据库中提取信息， P2K 可以预测肿瘤蛋白质和潜在的癌症治疗将如何相互作用。

尽管仍处于早期原型阶段，黄教授及其团队已经向科研人员公开提供 P2K 在线系统，帮助他们开始识别新的生物序列相互作用。“将这项人工智能技术置于生物医学科研人员之手将产生立竿见影的效果，它可以用于未来的科学发现，”系统设计工程系研究助理兼 P2K 共同发明人安东尼奥·司徒（ Antonio Sze-To ）说道。

由于 P2K 可以分析序列数据，其适用性并不限于生物医学研究。 P2K 可以通过做出有用的关联并进行智能交易预测来使金融行业获益，或通过预测潜在网络攻击的可能性来使网络安全部门受益。

研究论文“ Pattern to Knowledge: Deep Knowledge-DirectedMachine Learning for Residue-Residue Interaction Prediction （模式到知识：适用于残基相互作用预测的深层知识导向机器学习技术）”最近在自然出版集团的《科学报告》（ Scientific Reports ）期刊上发表。

ITPub博客

AI系统有助突破医药研发瓶颈

最新文章