時至歲末，轉眼間2022年已經接近尾聲，迎接我們的將是嶄新的2023年，在即將過去的2022年里，科學家們在人工智能改善人類健康研究領域取得了多項重磅級研究成果，本文中，小編就對本年度科學家們在該研究領域取得的相關研究成果進行整理，分享給大家！

【1】PNAS：科學家將微流體技術與人工智能技術結合來改善人類癌癥免疫療法

Zheng Ao，Hongwei Cai，Zhuhao Wu，et al. Microfluidics guided by deep learning for cancer immunotherapy screening，Proceedings of the National Academy of Sciences (2022). DOI：10.1073/pnas.2214569119

免疫細胞浸潤和細胞毒性在機體炎癥和免疫療法過程中扮演著關鍵的角色，然而，當前的癌癥免疫療法篩查手段忽略了T細胞能穿透腫瘤基質的能力，從而就大大限制了開發治療實體瘤的有效療法。近日，一篇發表在國際雜志Proceedings of the National Academy of Sciences上題為“Microfluidics guided by deep learning for cancer immunotherapy screening”的研究報告中，來自印第安納大學等機構的科學家們通過研究將一種“芯片實驗室”（lab-on-a-chip）技術與人工智能技術相結合來改善癌癥免疫療法。研究人員所開發的這種原型平臺或許有助于自動的藥物篩選和實時3D成像，并能進行免疫細胞和癌細胞之間相互作用的分析。

科學家將微流體技術與人工智能技術結合來改善人類癌癥免疫療法。

圖片來源：Proceedings of the National Academy of Sciences (2022). DOI:10.1073/pnas.2214569119

研究者Guo說道，我們能利用所開發的平臺來觀察不同的療法是如何影響對靶向癌細胞的殺滅效率的，甚至是腫瘤浸潤等，其是非常獨特的。這種平臺能利用微流體技術（所謂的芯片實驗室技術）結合稱之為深度學習的人工智能技術，微流體技術是在微觀渠道進行流體操控的技術，其基本上是將不同的實驗室功能擴展到一個微芯片上；深度學習是一種基于生物神經網絡為靈感的計算系統的一種機器學習手段，將這兩種技術結合在一起能促進平臺快速且自動識別潛在的癌癥免疫療法藥物，并檢測其在細胞水平上是如何發揮作用的。

據研究者介紹，實體瘤能表現出絕大多數人類癌癥的特征，然而當前的癌癥免疫療法篩查手段忽略了T細胞穿透實體瘤組織的能力。研究者Ming Dao說道，癌癥免疫療法在治療人類癌癥上確實取得了巨大成功，但人類在征服癌癥上依然面臨著艱巨的挑戰；對于大部分實體瘤而言，研究人員很難開發出一種有效的療法來浸潤并殺滅疾病細胞，因此他們旨在開發一種新型的腫瘤免疫療法篩選平臺，來動態追蹤T細胞的腫瘤滲透和腫瘤細胞的殺傷效應，并能以一種高通量和自動化的方式來掃描多種潛在的藥物。

【2】Nat Biomed Eng：中國科學家開發出基于人工智能技術的抗體研究模型

Zhang， J.， Du， Y.， Zhou， P. et al. Predicting unseen antibodies’ neutralizability via adaptive graph neural networks. Nat Mach Intell 4，964–976 (2022). doi：10.1038/s42256-022-00553-w

在人類與病毒性病原體的博弈中，發現強有力的中和抗體（neutralizing antibody，nab）應用于治療是重要“武器”之一。在天然抗體或人工設計抗體中，作用機制和中和能力的研究過程，往往需要耗費大量的實驗來檢測和探究，同時也是“人與病毒”賽跑中的關鍵限速環節。如何快速、精準預測未知抗體的中和能力及其作用靶點，在傳統的抗體藥物研發領域中仍需進一步突破的關鍵科學問題。

近日，一篇發表在國際雜志Nature Machine Intelligence上題為“Predicting unseen antibodies' neutralizability via adaptive graph neural networks”的研究報告中，來自復旦大學基礎醫學院等機構的科學家們通過研究首次提出了一個深度“抗體-抗原”交互算法模型（a deep Ab-Ag interaction algorithm，簡稱DeepAAI）。DeepAAI有別于經典的序列比對的方法，而是通過深度學習的方法“動態適應性地”學習未知抗體與已知抗體的關系（Adaptive Relation Graph），從而避免了AI算法對于未知抗體冷啟動的問題，達到有效地預測未知抗體的中和能力。此外，DeepAAI還具有較好的解釋性，能為抗原抗體的結合位點提供線索；分析同一病毒不同變種和亞變種之間的相似關系，為某病毒出現的新亞種推薦可能的中和抗體。

DeepAAI另一個特點是它基于序列數據。雖然真實的三級結構數據能提高AI算法的預測準確性，但是現實世界（real-world）中大量抗體的三級結構是未知的。DeepAAI放棄了先根據序列預測結構，再隨后根據預測出的結構再預測抗原抗體相互作用的這種串聯AI算法的模式，而是直接基于序列提取足夠的有效特征用于預測相互作用。這就避免了“在第1步中的誤差在第2步中被累積和指數級放大”的風險。同時，現實世界中大量存在的序列數據也可以增強AI算法的實用性。

【3】Nat Biomed Eng：能自我學習的人工智能技術或能利用病理學圖像來尋找類似的患者病例 從而幫助診斷人類罕見疾病

Chen， C.，Lu，M.Y.，Williamson，D.F.K. et al. Fast and scalable search of whole-slide images via self-supervised deep learning. Nat Biomed Eng (2022). doi：10.1038/s41551-022-00929-8

罕見疾病通常難以診斷，而預防針對罕見病患者的最佳療法對于臨床醫生而言也是一項巨大挑戰。近日，一篇發表在國際雜志Nature Biomedical Engineering上題為“Fast and scalable search of whole-slide images via self-supervised deep learning”的研究報告中，來自美國布萊根婦女醫院等機構的科學家們通過研究開發了一種深度學習算法，其或能通過自學方式來學習用于在大型病理學圖像庫中尋找類似病例的特征。

這種名為SISH（用于組織學的自我監督圖像搜索Self-Supervised Image search for Histology）的工具就好像一種進行病理圖像分析的搜索引擎，其擁有多種潛在的應用，包括識別罕見疾病并幫助臨床醫生確定哪些病人可能會對類似的療法產生反應。研究者Faisal Mahmood說道，本文研究結果表明，我們的系統能幫助診斷罕見疾病并在不需要注釋的前提下尋找具有類似形態模式的病例，也并不需要用于監督訓練的大規模數據庫；這種系統或有望改善病理學的訓練、疾病亞型劃分、腫瘤的鑒定儀及罕見形態學的鑒定等。

現代的電子數據庫能存儲大量的數字記錄和參考圖像，尤其是在病理學中通過整張幻燈片圖像，然而每個單獨的整張圖像的千兆像素的大小儀及大型數據庫中不斷增加的圖像數量意味著，對圖像的搜索和檢索是可能緩慢且非常復雜的，因此，其可擴展性仍然是有效使用的一個相關的障礙。為了解決這個問題，研究人員就開發了SISH，并讓其自我學習相關特征，無論數據庫的大小，其都能以恒定的速度找到病例學中具有類似特征的病例。

【4】三篇Science：人工智能或能比以前更準確和更快速地用來構建蛋白分子

1. Jue Wang et al. Scaffolding protein functional sites using deep learning. Science， 2022， doi：10.1126/science.abn2100.

2. J. Dauparas et al. Robust deep learning based protein sequence design using ProteinMPNN. Science， 2022， doi：10.1126/science.add2187.

3. B.I.M.Wicky et al. Hallucinating symmetric protein assemblies. Science， 2022， doi：10.1126/science.add1964.

最近，包括AlphaFold和RoseTTAFold在內的強大的機器學習算法經訓練后可以完全根據氨基酸序列預測天然蛋白的詳細形狀。機器學習是一種人工智能，它允許計算機從數據中學習，而無需明確編程。機器學習可用于對人類難以理解的復雜科學問題進行建模。為了超越自然界中發現的蛋白，Baker團隊成員將蛋白設計的挑戰分解為三個部分，并針對每個部分使用新的軟件解決方案。

首先，必須生成一種新的蛋白形狀。在第一篇論文中，Baker團隊指出人工智能可以通過兩種方式生成新的蛋白形狀。第一種方法被稱為幻化(hallucination)，類似于DALL-E或其他根據簡單的提示產生輸出的生成型人工智能工具。第二種方法被稱為“圖像修復（inpainting）”，類似于現代搜索欄中的自動完成功能。相關研究結果“Scaffolding protein functional sites using deep learning”發表在Science期刊上。

其次，為了加速這一過程，Baker團隊設計了一種新的算法來生成氨基酸序列。在第二篇論文中，他們描述了這種稱為ProteinMPNN的軟件工具，它的運行時間約為一秒。這比以前最好的軟件快200多倍。其結果優于之前的工具，而且該軟件不需要專家定制就能運行。相關研究結果“Robust deep learning–based protein sequence design using ProteinMPNN”發表在Science期刊上。

第三，Baker團隊使用Alphabet旗下DeepMind公司開發的工具AlphaFold，獨立評估他們得出的氨基酸序列是否有可能折疊成預定的形狀。Dauparas解釋說，“預測蛋白結構的軟件是解決方案的一部分，但它自己不能提出任何新的東西。”Baker補充說，“ProteinMPNN對于蛋白設計來說，就像AlphaFold對于蛋白結構預測一樣。”在第三篇論文中，Baker團隊證實組合使用新的機器學習工具能夠可靠地生成在實驗室中發揮作用的新蛋白。相關研究結果“Hallucinating symmetric protein assemblies”發表在Science期刊上。

【5】Age & Ageing：科學家開發出能降低常見藥物副作用的的新型人工智能工具

Agostina Secchi， Hulkar Mamayusupova， Saber Sami， et al. A novel Artificial Intelligence-based tool to assess anticholinergic burden： a survey，Age and Ageing (2022). DOI：10.1093/ageing/afac196

許多藥物都具有抗膽堿活性，使用這些藥物或與包括認知影響等多種嚴重的不良反應有關。近日，一篇發表在國際雜志Age and Ageing上題為“A novel Artificial Intelligence-based tool to assess anticholinergic burden： a survey”的研究報告中，來自英國埃克塞特大學等機構的科學家們通過研究評估了一種新型工具，其能幫助計算哪種藥物最有可能會對機體和大腦產生不良的抗膽堿影響，很多處方藥和非處方藥都可能會產生這些并發癥，這些藥物通常會通過阻斷名為乙酰膽堿對的關鍵神經遞質來影響大腦的功能，包括一些膀胱藥物、抗抑郁藥物、胃病藥物和帕金森疾病藥物在內的多種藥物都具有一定程度的抗膽堿能效應，而這些藥物通常會被老年人所攝入。

科學家開發出能降低常見藥物副作用的的新型人工智能工具。

圖片來源：Age and Ageing (2022). DOI:10.1093/ageing/afac196

抗膽堿能的副作用包括意識混亂、視力模糊、頭暈、跌倒和大腦功能下降，抗膽堿能效應也會增加跌倒的風險，并可能會與患者的死亡率增加有關；長期使用這些藥物或許與個體患癡呆癥風險增加直接相關。如今，研究人員所開發的這種新型工具能利用人工智能技術來幫助計算這些藥物所產生的有害效應，這種新型的線上工具名為國際抗膽堿認知負擔工具（IACT，International Anticholinergic Cognitive Burden Tool）使用自然語言處理（一種人工智能方法學）和化學結構分析來識別具有抗膽堿能效應的藥物。

這種工具是首個結合機器學習技術的工具，其旨在開發一種可在門戶網站上自動更新的工具，評估抗膽堿能負擔的方法是基于對報告的不良事件進行評分，并與考慮開具處方的藥物的化學結構緊密結合，從而就形成了一種要比以往任何系統都更為準確和最新的評分系統；最終，經過進一步的研究和對現實世界病人數據的建模，所開發的工具或能幫助支持減少普通藥物風險的處方開具。

【6】Matter：研究人員開發一種支持人工智能的新型光纖傳感器裝置可以幫助監測腦損傷

Yuqian Zhang，Yubing Hu，Qiao Liu， et al. Multiplexed optical fiber sensors for dynamic brain monitoring， Matter (2022). DOI：10.1016/j.matt.2022.07.024

近日，一篇發表在國際雜志Matter上題為“Multiplexed optical fiber sensors for dynamic brain monitoring”的研究報告中，來自倫敦帝國理工學院等機構的科學家們通過研究開發出了一種新型人工智能光纖傳感器裝置，其或能同時測量創傷性腦損傷的關鍵生物標志物。

動物腦組織測試的“有希望”結果表明，它可以幫助臨床醫生比目前更好地監測疾病進展和患者對治療的反應，這表明未來在人類中進行診斷試驗的潛力很大。頭部受到嚴重打擊的人，例如在道路交通事故中，可能會遭受腦外傷（TBI）——這是世界范圍內導致死亡和殘疾的主要原因，可能導致記憶、注意力和解決問題的長期困難。

治療期間需要持續監測TBI。因此，在神經危重癥護理環境中使用顱內探頭來監測損傷進展的關鍵指標，稱為生物標志物，如大腦中的壓力和氧氣。其中一些探針一次只能測量一種生物標志物。其他人可以監測多種生物標志物，但需要將幾根管子插入大腦，這有可能導致進一步的組織損傷或感染。

帝國研究院的研究人員現在開發了一種患者監測系統，用于監測創傷性腦損傷后的多種生物標志物。該設備將同時監測四種生物標志物的能力與機器學習算法相結合，機器學習算法使用以前的數據基于獲得的數據實時預測生物標志物濃度。如果經過優化并證明可用于人體，該設備可以幫助醫院更有效地監測TBI。

【7】 Nat Med：利用人工智能通過讀取人們的呼吸模式就能檢測出帕金森病

Yang， Y.，Yuan， Y.，Zhang，G. et al. Artificial intelligence-enabled detection and assessment of Parkinson’s disease using nocturnal breathing signals. Nat Med 28， 2207–2215 (2022). doi：10.1038/s41591-022-01932-x

帕金森病是出了名的難以診斷，因為它主要依賴于運動癥狀的出現，如震顫、僵硬和遲鈍，但這些癥狀往往在發病幾年后出現。近日，一篇發表在國際雜志Nature Medicine上題為“Artificial intelligence-enabled detection and assessment of Parkinson’s disease using nocturnal breathing signals”的研究報告中，來自美國麻省理工學院等機構的科學家們通過研究開發出一種人工智能模型，其僅僅通過讀取一個人的呼吸模式就能檢測出帕金森病。

這種工具是一種神經網絡，是一系列模擬人腦工作方式的關聯算法，能夠從一個人的夜間呼吸---睡眠時的呼吸模式--來評估這個人是否患有帕金森病。這種由麻省理工學院博士生Yuzhe Yang和博士后Yuan Yuan訓練的神經網絡還能夠辨別人們所患的帕金森病的嚴重程度，并跟蹤其疾病的進展。多年來，科學家們已經研究了使用腦脊液和神經影像學檢測帕金森病的潛力，但這類方法具有侵入性，成本高，并且需要進入專門的醫療中心，因此不適合進行頻繁的可以提供早期診斷或持續跟蹤疾病進展的測試。

這些作者證實對帕金森病的人工智能評估可以每天晚上在家里趁人睡著時進行，而且不需要接觸他們的身體。為此，他們開發了一種外觀像家用Wi-Fi路由器的設備，但該設備不提供互聯網接入，而是發射無線電信號，分析這些信號在周圍環境中的反射，并在不接觸身體的情況下提取受試者的呼吸模式。然后，呼吸信號被提供被這種神經網絡，以被動的方式評估帕金森病，而且患者和護理人員不需要做任何工作。

研究者Katabi表示，早在1817年，在James Parkinson的研究中就注意到了帕金森病與呼吸之間的關系。這促使我們考慮從一個人的呼吸中檢測這種疾病的潛力，而不用觀察運動。一些醫學研究已表明，呼吸系統癥狀在運動癥狀之前幾年就已表現出來，這意味著呼吸特性在帕金森病診斷之前可能是有前景的風險評估。作為世界上增長最快的神經系統疾病，帕金森病是繼阿爾茨海默病之后第二大最常見的神經系統疾病。僅在美國，它就困擾著100多萬人，每年的經濟負擔達519億美元。這些作者開發的設備在7687人身上進行了測試，包括757名帕金森病患者。

【8】Science：對人工智能進行訓練，構建有潛力用作藥物和疫苗的蛋白

JUE WANG，SIDNEY LISANZA，DAVID JUERGENS，et al. Scaffolding protein functional sites using deep learning. Science，2022，doi：10.1126/science.abn2100.

近日，一篇發表在國際雜志Science上題為“Scaffolding protein functional sites using deep learning”的研究報告中，來自美國華盛頓大學醫學院等機構的科學家們通過研究開發出了一種新型的人工智能軟件，并利用它構建出可能作為疫苗、癌癥治療、甚至是將碳污染物從空氣中分離出來的工具的蛋白。

研究者David Baker表示，我們在自然界發現的蛋白是神奇的分子，但設計的蛋白可以做得更多。在這項新的研究中，我們發現機器學習可以用來設計具有一系列功能的蛋白。幾十年來，科學家們一直使用計算機來嘗試設計蛋白。一些蛋白，如抗體和合成結合蛋白，已被改進為藥物來對抗COVID-19。其他蛋白，如酶，有助于工業生產。但是一個蛋白分子往往包含數千個鍵合原子；即使有專門的科學軟件，它們也很難研究和設計。

受到機器學習算法如何從提示中生成故事甚至圖像的啟發，這些作者著手構建類似的軟件來設計新蛋白。研究者指出，這個想法是一樣的：神經網絡可以經訓練后觀察數據中的模式。一旦經過訓練，你可以給它一個提示，看看它是否能產生一個優雅的解決方案。結果往往是引人注目的，甚至是不錯的。”這些作者使用來自蛋白數據庫（Protein Data Bank）的信息訓練了多個神經網絡，該數據庫是一個公共資源庫，包含了來自所有生命王國的數十萬種蛋白結構。所產生的神經網絡甚至讓構建它們的科學家們感到驚訝。

這些作者開發出兩種方法來設計具有新功能的蛋白。第一種稱為“幻化（hallucination）”的方法類似于DALL-E或其他生成型人工智能工具，根據簡單的提示產生新的輸出。第二種稱為“圖像修復（inpainting）”的方法類似于現代搜索欄和電子郵件客戶端中的自動完成功能。

【9】Nat Commun：利用人工智能成功預測癌癥患者對免疫療法的反應

JungHo Kong，Doyeon Ha，Juhun Lee， et al. Network-based machine learning approach to predict immunotherapy response in cancer patients. Nature Communications， 2022， doi：10.1038/s41467-022-31535-6.

作為一種新的癌癥治療方法，免疫療法激活人體的免疫系統來對抗癌細胞，而不使用化療或放療。它比傳統的抗癌藥物有更少的副作用，因為它只利用人體的免疫系統攻擊癌細胞。此外，由于它利用了免疫系統的記憶和適應性，從它的治療效果中受益的患者會有持續的抗癌效果。

近期開發的免疫檢查點抑制劑（immune checkpoint inhibitor， ICI）已經極大地改善了癌癥患者的生存率。然而，癌癥免疫療法的問題是，只有大約30%的癌癥患者從它的治療效果中獲益，而且目前的診斷技術不能準確預測患者對這種治療的反應。在這種背景下，近日，一篇發表在國際雜志Nature Communications上題為“Network-based machine learning approach to predict immunotherapy response in cancer patients”的研究報告中，來自韓國浦項科技大學和延世大學等機構的研究人員通過使用基于網絡的機器學習，提高了預測患者對免疫檢查點抑制劑作出反應的準確性。

一種基于網絡的機器學習(ML)方法來識別免疫療法相關的生物標志物。

圖片來源：Nature Communications, 2022, doi:10.1038/s41467-022-31535-6。

這些作者通過分析700多名三種不同癌癥（黑色素瘤、胃癌和膀胱癌）患者的臨床結果以及患者癌癥組織的轉錄組數據，發現了新的基于網絡的生物標志物。通過利用基于網絡的生物標志物，他們成功開發出可以預測抗癌治療反應的人工智能方法。他們進一步證實這種基于新發現的生物標志物的治療反應預測優于基于常規抗癌治療生物標志物（包括免疫治療靶標和腫瘤微環境標志物）的預測。

【10】STTT：揭示人工智能在癌癥靶點識別和藥物發現中的應用

Yujie You，Xin Lai，Yi Pan，et al. Artificial intelligence in cancer target identification and drug discovery. Signal Transduct Target Ther. 2022 May 10；7(1)：156. doi： 10.1038/s41392-022-00994-0.

靶向藥物治療作為腫瘤治療的前沿之一，具有療效高、副作用少、患者耐藥低等優點。然而，現有的靶向治療有幾個缺點，例如少數可用藥的靶點，對患者人群的覆蓋不有效，以及缺乏對患者耐藥性的替代反應。因此，尋找新的治療靶點并評價其可藥性成為當前靶向藥物治療的腫瘤研究熱點。由于疾病的復雜性，我們很難全面了解癌癥的發病機制，目前大多數靶向藥物都是基于實驗驗證的假說開發的，該假說可以解釋癌癥發生的可能機制，但忽略了疾病的其他事實。因此，這些療法可能會對正常組織產生不良影響，甚至會給患者帶來嚴重的副作用。

近日，來自四川大學的研究者們在Signal Transduction and Targeted Therapy雜志上發表了題為“Artificial intelligence in cancer target identification and drug discovery”的綜述性文章，該研究揭示了人工智能模型為我們提供了一個定量框架，以研究網絡特征與癌癥之間的關系，從而識別潛在的抗癌靶點，并發現新的候選藥物。

人工智能是從生物網絡中識別新的抗癌靶點和發現新藥物的先進方法，因為這些網絡可以有效地保存和量化癌癥等人類疾病相關細胞系統組件之間的相互作用。在這里，研究者回顧和討論如何使用人工智能方法來識別新的抗癌靶點和發現藥物。首先，研究者描述了用于抗癌新靶點研究的人工智能生物分析的范圍。其次，回顧和討論了常用的基于網絡和基于機器學習的人工智能算法的基本原理和理論。最后，研究者展示了人工智能方法在癌癥目標識別和藥物發現中的應用。

【11】Nature：利用人工智能確定了癌癥中的21種拷貝數標記

Steele，C.D.，Abbasi，A.，Islam，S.M.A. et al. Signatures of copy number alterations in human cancer. Nature 606， 984–991 (2022). doi：10.1038/s41586-022-04738-6

近日，一篇發表在國際雜志Nature上題為“Signatures of copy number alterations in human cancer”的研究報告中，來自英國癌癥研究學院等機構的科學家們通過研究利用人工智能（AI）研究并分類了癌癥起始和生長時基因組中DNA變化的大小和規模。

利用人工智能，這些作者確定了21種常見的缺陷，這些缺陷發生在癌癥起始和生長時的DNA結構、順序和拷貝數上。一類稱為拷貝數標記（copy number signature）的常見缺陷可能幫助指導醫生進行反映腫瘤特征的治療。當你觀看美國流媒體播放平臺Netflix時，會產生關于你觀看的電影和電視劇類型的數據，你觀看它們的頻率，以及你是否給它們一個“大拇指”或“小拇指”。Netflix使用一種算法來分析這些大量的數據，在你觀看的內容中找到模式，然后在你滾動瀏覽Netflix時推薦新的電影和電視劇。

文章中，研究人員構建出一種類似的算法，可以篩選出成千上萬行的基因組數據，挑出染色體如何組裝和排列的共同模式。然后，該算法可以對出現的模式進行分類，并幫助科學家們確定癌癥中可能出現的缺陷類型。利用該算法，這些作者在9873名患有33種不同類型癌癥的患者的完全測序的基因組中尋找模式。該算法確定了腫瘤中染色體結構和數量的21種常見缺陷，并將它們歸類為不同的拷貝數標記。

【12】Science：利用基于人工智能的結構預測分析人類核孔復合體

SHYAMAL MOSALAGANTI，AGNIESZKA OBARSKA-KOSINSKA，MARC SIGGEL，et al. AI-based structure prediction empowers integrative structural analysis of human nuclear pores. Science， 2022， doi：10.1126/science.abm9506.

真核生物的細胞核保護著基因組，被核包膜的兩層膜所包圍。核孔復合體（Nuclear pore complex， NPC）穿過核包膜以促進核質運輸。人類NPC的分子量為120兆道爾頓（MDa），是最大的蛋白復合體之一。它共有約1000個蛋白，由一組約30個不同的核孔蛋白（nucleoporin， NUP）組成，每個NUP存在許多個拷貝。它們可以粗略地分為兩類：支架型NUP和天然無序NUP。支架型NUP含有折疊的結構域，并在一個中心通道周圍形成一個圓柱形的支架結構。天然無序NUP排列在這種支架結構上并延伸到這個中央通道，在那里它們與貨物復合物相互作用。NPC的結構是高度動態的。它通過構象呼吸（conformational breathing）對核包膜張力的變化做出反應，表現為擴張和收縮運動。闡明原子分辨率下的支架結構對于更精確地了解NPC的功能和動態非常重要，但這對結構生物學家來說是一個巨大的挑戰。

近日，一篇發表在國際雜志Science上題為“AI-based structure prediction empowers integrative structural analysis of human nuclear pores”的研究報告中，來自德國馬克斯-普朗克生物物理研究所等機構的科學家們通過研究使用基于人工智能（AI）的預測，生成了大量的人類NUP及其亞復合物的結構模型。所產生的模型涵蓋了迄今為止在結構上尚未表征的多種結構域和界面。與以前的和未發表的X射線和低溫電鏡結構進行比對，顯示出前所未有的準確性。

70-MDa人核孔復合體支架結構模型

圖片來源：Science, 2022, doi:10.1126/science.abm9506。

這些作者獲得了人類NPC的收縮和擴張構象狀態的高分辨率低溫電子斷層圖。利用綜合建模，他們將單個NUP的結構模型整合到低溫電子斷層圖中。他們明確地納入了幾種起連接作用的NUP，并追蹤它們在NPC支架上的軌跡。他們非常詳細地闡明了膜相關NPC和跨膜NUP如何分布在內外核膜的融合拓撲結構中。由此產生的結構模型將人類NPC支架的結構覆蓋率提高了約兩倍。他們對照早期和新的實驗數據廣泛地驗證了他們的模型。他們的模型的完整性使他們能夠在一種明確的膜環境和溶劑中對NPC支架進行微秒級的粗粒度分子動力學模擬。這些模擬顯示NPC支架在沒有膜張力的情況下，可以防止原本穩定的雙膜融合孔收縮到較小的直徑。

【13】Nat Commun：利用人工智能技術和機器人系統結合來識別隱藏的帕金森疾病特征

Lauren Schiff，Bianca Migliori，Ye Chen， et al. Integrating deep learning and unbiased automated high-content screening to identify complex disease signatures in human fibroblasts， Nature Communications， DOI：10.1038/s41467-022-28423-4

諸如帕金森疾病等疾病的藥物發現往往由于缺乏可篩選的細胞表型而受到阻礙；近日，一篇發表在國際雜志Nature Communications上題為“Integrating deep learning and unbiased automated high-content screening to identify complex disease signatures in human fibroblasts”的研究報告中，來自美國的科學家們通過研究開發了一種能幫助發現疾病細胞特征的新平臺，其或能將研究患者細胞的機器人系統與進行成像分析的人工智能方法相結合，利用這種自動化的細胞培養平臺，研究人員通過創建并分析來自91名患者和健康對照個體的超過100萬個皮膚細胞圖像，成功識別出了帕金森疾病的新型細胞標志。

研究者Susan L. Solomon表示，傳統的藥物發現或許并不奏效，尤其是在研究諸如帕金森疾病等復雜疾病上，這種名為NYSCF的機器人技術或能幫助我們從大規模的患者群體中產生大量的數據，同時還能幫助發現新的疾病特征，并作為發現真正有效藥物的全新基礎；這或許是利用人工智能技術在疾病研究方面的一種理想的展示，本文研究中，研究人員利用NYSCF龐大的患者細胞庫和最先進的機器人系統對來自91名帕金森疾病患者和健康對照個體的數百萬個細胞圖像進行分析，隨后研究者利用微陣列來從皮膚穿孔活組織樣本中分離并擴大稱之為成纖維細胞的皮膚細胞，并利用細胞繪圖的技術來標記這些細胞的不同部分，從而創建出了成千上萬張高含量的光學顯微鏡圖像，研究者所得到的的圖像被送入了一種無偏見、人工智能所驅動的成像分析管線中，從而就能幫助他們識別出針對患者細胞特異性的圖像特征，其還能被從來與健康對照個體進行有效區分。

研究者Samuel J. Yang說道，這些人工智能方法或能幫助確定患者機體的細胞有哪些共同點，而這些共同點或許是無法被觀察到，同樣重要的是，這些算法是無偏見的，其并不依賴于任何關于帕金森疾病的知識或先入為主的觀念，因此研究人員就能發現全新的疾病特征。最近，基于特定疾病靶點和被認為是疾病驅動因素的通路而發現的臨床試驗的失敗率較高，這或許凸顯出了對帕金森疾病新特征研究的需求，而使用無偏見的方法來發現這些疾病特征（尤其是在患者群體中）對于診斷和藥物發現非常有價值，甚至還能揭示患者之間新的區別。

【14】Nat Med：科學家有望利用人工智能技術來準確診斷人類的前列腺癌

Bulten， W.，Kartasalo， K.，Chen，PH.C. et al. Artificial intelligence for diagnosis and Gleason grading of prostate cancer： the PANDA challenge. Nat Med (2022). doi：10.1038/s41591-021-01620-2

如今人工智能（AI）技術已經顯示出了在活檢中診斷前列腺癌的前景，然而，其結果僅限于個別研究，缺乏多國環境的驗證；而且競爭已經被證明是醫學成像創新研究領域的加速器，但其影響常常因缺乏可重復性和獨立驗證而受到了一定的阻礙。近日，一篇發表在國際雜志Nature Medicine上題為“Artificial intelligence for diagnosis and Gleason grading of prostate cancer： the PANDA challenge”的研究報告中，來自拉德堡德大學醫學中心等機構的科學家們通過研究共同完成了一項關于用于診斷和對前列腺癌進行評級的人工智能技術的全面國際驗證，研究人員發現，AI系統或能與病理學家一樣，識別并對來自不同國家的組織樣本中的前列腺癌進行識別和分級，因此AI系統或許有望作為一種輔助工具引入到前列腺癌的診斷和治療過程中去。

國際認證是通過一種名為PANDA的比賽來進行的，該比賽歷時3個月，其能挑戰1000多名AI專家所開發的用于對前列腺癌準確分級的系統。研究者Kimmo Kartasalo博士說道，比賽開始僅10天，研究人員就開發出了與普通病理學家相匹配的算法，而組織PANDA比賽或能揭示競賽如何能夠加速快速的創新過程，從而在AI的幫助下解決醫療保健中的具體問題。

當前前列腺癌診斷的一個問題在于，即使是針對相同的組織樣本，不同的病理學家也會得出不同的結論，這意味著療法決策是基于不確定的信息而制定的；研究者認為，利用AI技術或許在提高重現性方面有著非常大的潛力，也就是說，無論哪個病理學家進行評估，都能提高組織樣本評估的一致性，從而就會導致更為準確的療法選擇。研究人員在早期研究中發現，AI系統能指示是否組織樣本中包含癌癥，同時還能評估活檢組織中腫瘤組織的數量，并對前列腺癌的嚴重程度進行分級，AI系統能與國際病理學家相媲美。然而，在醫療領域中實時AI技術的主要挑戰在于，AI系統通常對用于訓練系統的數據不同的數據高度敏感，因此在應用于其它醫院和其它國家時可能就不會產生可靠和穩健的結果。

【15】Cell：利用人工智能為未來的冠狀病毒變體做準備

Joseph M. Taft，Cédric R. Weber，Beichen Gao， et al. Deep Mutational Learning Predicts ACE2 Binding and Antibody Escape to Combinatorial Mutations in the SARS-CoV-2 Receptor Binding Domain. Cell，2022，doi：10.1016/j.cell.2022.08.024.

SARS-CoV-2正在不斷地變異，每一種新的變體往往讓世界措手不及。以去年11月出現的高度變異的奧密克戎（Omicron）為例，它要求衛生當局制定一種快速反應策略，盡管最初對一些重要問題沒有答案：接種疫苗的人和以前被感染的人對這種新變體的保護程度如何？抗體療法對這種病毒變體是否仍然有效？近日，一篇發表在國際雜志Cell上題為“Deep Mutational Learning Predicts ACE2 Binding and Antibody Escape to Combinatorial Mutations in the SARS-CoV-2 Receptor Binding Domain”的研究報告中，來自瑞士蘇黎世聯邦理工學院等機構的科學家們通過研究開發出了一種使用人工智能回答此類問題的方法，甚至有可能在新變體出現后立即實時回答。

為了建立他們的方法，Reddy和他的團隊利用實驗室實驗產生了SARS-CoV-2刺突蛋白的一大批變體。他們沒有產生活病毒或利用活病毒開展實驗，相反，他們只產生了SARS-CoV-2刺突蛋白的一部分，因此沒有實驗室泄漏的危險。刺突蛋白與人體細胞表面上的ACE2蛋白相互作用以便這種病毒感染能夠感染人體細胞，而來自疫苗接種、感染或抗體療法的抗體通過阻斷這一機制發揮作用。SARS-CoV-2變體的許多突變都發生在這個區域，這使得這種病毒能夠躲避免疫系統并繼續傳播。

盡管這些作者分析的一大批變體只包括理論上可能存在的幾十億個變體---這在實驗室環境中是不可能測試的---中的一小部分，但它確實包含一百萬個這樣的變體。這些變體帶有不同的突變或突變組合。通過對這一百萬個變體的進行高通量實驗和DNA測序，這些作者確定了這些變體如何成功地與ACE2蛋白和現有抗體療法相互作用。這可表明每種潛在變體能夠多好地感染人類細胞，以及它們能夠多好地逃避抗體。這些作者利用這些收集到的數據來訓練機器學習模型，該模型能夠識別復雜的模式，而且當只給出一種新變體的DNA序列時，可以準確地預測它是否能與ACE2結合進行感染并逃避中和抗體的影響。最終的機器學習模型如今可以用來對理論上可能存在的數百億個變體進行這些預測，這些變體有的具有單一突變，有的具有組合突變，并且遠遠超過了實驗室中測試的一百萬個變體。（Bioon.com）

2022年終盤點正在進行，更多精彩盤點敬請期待！