AI幫助研究人員在病毒感染前阻止病毒

簡要說明

• 研究人員識別出病毒依賴進入細胞的關鍵分子相互作用，並在實驗室中破壞了它。
• 這項工作利用人工智慧和分子模擬，將數千個相互作用縮小到一個關鍵目標。
• 科學家表示，這種方法有助於指導未來的抗病毒和疾病研究，儘管仍處於早期階段。

Decrypt的藝術、時尚與娛樂中心。

探索SCENE

大多數抗病毒藥物在病毒已經滲入人體細胞後才進行作用。華盛頓州立大學的研究人員表示，他們找到了一種提前干預的方法，識別出病毒進入細胞時依賴的單一分子相互作用。

這項於11月發表在《Nanoscale》期刊的研究，聚焦於病毒入侵，這是感染過程中最少被理解且最難干擾的階段之一，利用人工智慧和分子模擬來識別融合蛋白中的一個關鍵相互作用，當在實驗中改變時，能阻止病毒進入新細胞。

「病毒通過數千個相互作用攻擊細胞，」華盛頓州立大學機械與材料工程教授劉金（Jin Liu）告訴Decrypt。「我們的研究是要找出其中最重要的一個，一旦我們確定了這個相互作用，就能想辦法阻止病毒進入細胞，從而阻止疾病的傳播。」

這項研究源於兩年前COVID-19大流行後不久開始的工作，由獸醫微生物學與病理學教授Anthony Nicola領導，並獲得國家衛生研究院的資助。

在研究中，研究人員以單純疱疹病毒作為測試案例。

這些病毒依賴表面融合蛋白gB(gB)，這對於病毒入侵過程中的膜融合至關重要。

科學家早已知道gB在感染中扮演核心角色，但由於其體積龐大、結構複雜，並與其他病毒入侵蛋白協同作用，使得確定其多個內部相互作用中哪一個具有功能性變得困難。

劉表示，人工智慧在這個項目中的價值不在於它揭示了人類研究者無法知道的事物，而在於它大大提高了搜尋效率。

團隊沒有依賴試錯，而是利用模擬和機器學習同時分析數千種可能的分子相互作用，並對其重要性進行排名。

「在生物實驗中，你通常會從假設開始。你認為這個區域可能很重要，但那個區域有數百個相互作用，」劉說。「你測試一個，也許不重要，然後再測另一個。這需要大量時間和金錢。利用模擬，成本可以忽略不計，我們的方法能夠識別出真正重要的相互作用，然後在實驗中進行測試。」

人工智慧在醫學研究中的應用日益增加，用於識別傳統方法難以察覺的疾病模式。

近期的研究已經利用機器學習預測數年後的阿茲海默症，標記MRI掃描中的微妙疾病跡象，以及利用大量健康記錄數據預測數百種疾病的長期風險。

美國政府也開始投資這一方法，包括一個$50 百萬美元的國家衛生研究院計畫，旨在將人工智慧應用於兒童癌症研究。

除了病毒學，劉表示，同樣的計算框架也可以應用於由蛋白質相互作用異常引起的疾病，包括阿茲海默症等神經退行性疾病。

「最重要的是知道該針對哪個相互作用，」劉說。「一旦我們能提供這個目標，人們就可以尋找削弱、增強或阻斷它的方法。這才是這項工作的真正意義。」