1、斯坦福大學：基因組學和機器學習成功預測動脈瘤風險

　　根據(jù)發(fā)表在《細胞》雜志上的一項研究，斯坦福大學的科學家們開發(fā)了一種利用基因組學和機器學習來預測腹主動脈瘤（AAA）的方法。 據(jù)斯坦福大學遺傳學教授兼主席Michael Snyder博士介紹，該團隊使用的方法是“不可知論(agnostic)”。他們沒有事先懷疑特定基因可能在AAA中發(fā)揮作用。相反，而是將患者的遺傳信息輸入算法并“讓機器學習解決問題”。具體而言，他們不是試圖將這種疾病與個體基因突變聯(lián)系起來(如測試BRCA1或BRCA2突變以預測乳腺癌風險)，而是用機器學習分析了268名AAA患者的基因組數(shù)據(jù)，以尋找突變模式。研究小組最終確定了60個在AAA患者中高度突變的基因。為了進一步驗證，研究人員又檢測了133名健康人的基因組，沒有發(fā)現(xiàn)相同的異常突變模式。研究人員報告說，該算法結(jié)合基因組測序，預測AAA風險的準確率能達到70%。

　　2. Insilico發(fā)布深度生成對抗網(wǎng)絡(GAN)最新研究成果

　　9月11日，Insilico Medicine，一家位于羅克維爾，專門將深度學習應用于靶標識別、藥物發(fā)現(xiàn)和抗衰老研究的下一代人工智能公司，宣布在美國化學學會雜志《Molecular Pharmaceutics》上，發(fā)表一項題為“使用糾纏條件性對抗自動編碼器進行從頭藥物發(fā)現(xiàn)(Entangled Conditional Adversarial Autoencoder for de-novo Drug Discovery)”的最新研究。論文描述了一種原創(chuàng)的深度神經(jīng)網(wǎng)絡結(jié)構(gòu)——糾纏條件對抗自動編碼器(ECAAE)，它能夠基于對分子特性的各種要求產(chǎn)生分子結(jié)構(gòu)，如對特定蛋白質(zhì)的活性、溶解度和合成的簡便性。研究人員使用ECAAE生成針對類風濕性關節(jié)炎，牛皮癬和白癜風的新型JAK3抑制劑。并且，這些分子在體外測試中顯示出高活性和選擇性。2014年，Ian Goodfellow博士及其同事提出的生成對抗網(wǎng)絡(generative adversarial networks，GAN)，通常被稱為“AI想象”，是AI研究中最激動人心的領域之一。Insilico Medicine是將GAN架構(gòu)應用于生成新型分子結(jié)構(gòu)的領先公司之一。

　　3. 無創(chuàng)檢測高鉀血癥，AI軟件獲得FDA突破性設備認定

　　9月10日，人工智能的創(chuàng)新公司AliveCor宣布，美國FDA已經(jīng)授予該公司的KardiaK軟件平臺突破性設備認定。 KardiaK平臺無需患者血液，就可以篩查血鉀升高——高鉀血癥。該技術(shù)采用專有的深度神經(jīng)網(wǎng)絡，使用心電圖(ECG)數(shù)據(jù)檢測高鉀血癥，這些數(shù)據(jù)可以用AliveCor的KardiaMobile和KardiaBand設備捕獲。目前，測量鉀水平的黃金標準是血液測試，但測試是侵入性的，需要在實驗室中進行，對患者來說不方便。AliveCor希望能讓腎病患者記錄心電圖并在家中使用KardiaK。無創(chuàng)且方便，不流血的KardiaK平臺有望改變高鉀血癥的診斷標準。

　　4. 柳葉刀子刊：無需活檢，AI可以從CT圖像預測免疫療法效果

　　近日，發(fā)表在《The Lancet Oncology（柳葉刀腫瘤學）》上的一項最新研究發(fā)現(xiàn)，人工智能可以通過分析CT圖像獲得個體化的“放射學特征（radiomic signature）”，預測患者對免疫療法的反應，而無需進行活檢。 以CD8細胞作為PD-1和PD-L1單藥療法的成像生物標志物，該算法通過計算腫瘤的淋巴細胞浸潤水平，提供療效的預測評分。這項回顧性研究通過基因組學，組織學和臨床分析，驗證500名不同實體瘤患者的放射學特征。算法從其他包含基因組數(shù)據(jù)和CT掃描結(jié)果的研究中提取相關信息并學習。為了測試實際應用效果，研究人員使用該算法評估了在五個參加免疫療法1期試驗的受試者，分析他們治療之前的CT掃描圖像。結(jié)果發(fā)現(xiàn)，放射學評分較高的患者在3-6個月時的治療效果較好，并且總體生存率更高。