Covid-19 的生存威胁凸显了开发针对新出现的健康问题的有效疗法的迫切需求。 深度学习为我们提供的奢侈之一是能够在景观展开时对其进行修改——只要我们能够跟上病毒威胁并访问正确的数据。 

与所有新的医学疾病一样，数据往往需要时间来赶上，而病毒需要时间来减速，这是一个艰巨的挑战，因为它可以快速变异并对现有药物产生抗药性。 这促使麻省理工学院计算机科学与人工智能实验室 (CSAIL) 和 Jameel Clinic for Machine Learning in Health 的科学家提出疑问：我们如何为快速传播的 SARS-CoV-2 确定正确的协同药物组合？ 

通常，数据科学家使用深度学习来挑选具有大型现有数据集的药物组合，例如癌症和心血管疾病，但可以理解的是，它们不能用于数据有限的新疾病。

在没有必要的事实和数据的情况下，该团队需要一种新方法：戴两顶帽子的神经网络。 由于药物协同作用通常是通过抑制生物靶标（如蛋白质或核酸）而发生的，因此该模型联合学习药物-靶标相互作用和药物-药物协同作用以挖掘新的组合。 药物靶标预测器对药物与一组与所选疾病相关的已知生物靶标之间的相互作用进行建模。 目标疾病关联预测器学习了解药物的抗病毒活性，这意味着确定受感染组织培养物中的病毒产量。 他们可以一起预测两种药物的协同作用。 

使用这种方法发现了两种新的药物组合：remdesivir（目前已被 FDA 批准用于治疗 Covid-19）和利血平，以及 remdesivir 和 IQ-1S，在生物测定中证明它们对病毒有效。 该研究已 出版 ，在 美国国家科学院院刊。

“通过对药物和生物靶标之间的相互作用进行建模，我们可以显着降低对组合协同数据的依赖，”最近在 CSAIL 完成博士工作的麻省理工学院和哈佛大学博德研究所博士后 Wengon Jin SM '18 说。是有关该研究的新论文的主要作者。 “与以前使用药物-靶标相互作用作为固定描述符的方法相比，我们的方法学习从分子结构预测药物-靶标相互作用。 这是有利的，因为大部分化合物具有不完整的药物-靶标相互作用信息。” 

使用多种药物来最大化效力，同时减少副作用，对于上述癌症和心血管疾病实际上无处不在，包括许多其他疾病，如肺结核、麻风病和疟疾。 非常重要的是，使用专门的药物混合物可以减少严重的、有时甚至是公共的耐药性威胁（想想耐甲氧西林 金黄色葡萄球菌 称为“MRSA”），因为许多耐药突变是相互排斥的。 一种病毒同时发生两种突变，然后在联合治疗中对两种药物产生抗药性要困难得多。 

重要的是，该模型不仅限于一种 SARS-CoV-2 毒株——它还可能用于传染性越来越强的 Delta 变体或其他可能出现的令人担忧的变体。 为了扩展模型对这些菌株的功效，您只需要相关突变的额外药物组合协同数据。 此外，该团队还将他们的方法应用于 HIV 和胰腺癌。

为了进一步完善他们的生物模型，该团队计划整合额外的信息，如蛋白质-蛋白质相互作用和基因调控网络。 

他们正在探索的未来工作的另一个方向是所谓的“主动学习”。 许多药物组合模型由于尺寸有限而偏向于某些化学空间，因此预测具有很高的不确定性。 主动学习有助于指导数据收集过程并提高更广泛化学领域的准确性。 

Jin 与麻省理工学院和哈佛大学布罗德研究所的 Banting 研究员 Jonathan M. Stokes 共同撰写了这篇论文； Richard T. Eastman，美国国家转化科学促进中心科学家； 美国国立卫生研究院的科学家 Zina Itkin； Alexey V. Zakharo，国家促进转化科学中心 (NCATS) 的信息学负责人； James J. Collins，麻省理工学院生物工程教授； 以及麻省理工学院电气工程和计算机科学教授 Tommi S. Jaakkola 和 Regina Barzilay。

该项目由 Abdul Latif Jameel Clinic for Machine Learning in Health 提供支持； 国防威胁减少局； 帕特里克·J·麦戈文基金会； DARPA 加速分子发现计划； 部分来自美国国立卫生研究院国家转化科学促进中心的校内/校外研究计划。