分析癌症患者基因…开发可生成抗癌药的AI模型
GIST Nam Hojung 教授研究团队
光州科学技术院（GIST）电气电子计算机工程系Nam Hojung教授研究团队于3日表示，研究团队首次在全球范围内开发出一种生成式人工智能（AI）模型，通过分析癌症患者的基因型，为个体提供个性化的抗癌药候选物质。
研究团队开发的这一人工智能模型，通过学习不同癌细胞所呈现的基因型信息以及药物反应数据，能够为每一位患者生成最优化的全新抗癌药候选物质。由此不仅可以推进患者个体化精准医疗的发展，还能够为现有治疗方法疗效不佳的疑难癌症提供新的解决方案。
此前基于生成式人工智能的抗癌药开发研究一直存在若干局限。在癌症等复杂疾病中，治疗靶点往往并不明确，导致生成药物的疗效有限。此外，许多模型依赖于在临床现场难以获取的特殊数据，因而实际应用可能性较低。
为克服这些局限，研究团队开发了生成式人工智能模型“G2D-Diff”，该模型学习了约150万种化学结构和120万条药物反应数据。当输入在实际临床中可以获取的基因信息（突变及拷贝数变异）以及目标药物反应水平时，该模型会自动设计与之最优化匹配的抗癌药候选物质。
G2D-Diff的工作方式与文本生成图像的人工智能模型类似。当输入“对特定癌症基因型极为敏感的药物”这一条件时，模型就会生成符合该条件的抗癌药分子结构。
该模型由三部分构成：▲将分子结构以数值形式表达的“化学变分自编码器（Chemical VAE）” ▲将输入条件（基因型和药物反应目标等）数值化的“条件编码器（Condition encoder）” ▲生成符合条件的新分子结构的“条件扩散模型（Conditional Diffusion Model）”。
与既有生成式人工智能模型相比，G2D-Diff在所有性能指标上都展现出压倒性优势。尤其是与被认为拥有最高性能的IBM“PaccMannRL”模型相比，在多样性（Diversity）、可实现性（Feasibility）、条件适配性（Condition Fitness）等方面均表现更为优异。
在评估生成化合物与输入基因型条件匹配程度的“条件适配性（Condition Fitness）”指标中，药物反应性预测方面，既有模型的平均误差率约为51%，而G2D-Diff的平均误差率仅约为1%。
研究团队将G2D-Diff模型应用于疑难癌症的典型病例——三阴性乳腺癌，以验证其实际应用可能性。在输入患者的基因突变信息后生成的候选物质，准确地以抑制癌细胞增殖的关键蛋白PI3K、HDAC、CDK等为靶点。
此外，这些化合物的化学结构与现有治疗药物完全不同，却能够产生相同的治疗效果。通过计算机对接模拟还确认，这些化合物实际上可以与癌细胞的靶标蛋白结合。
这表明，人工智能不仅仅停留在模仿既有药物的层面，而是能够分析患者个体的遗传特征，设计出与之最优化匹配的全新治疗药物，可视为展示这一可能性的突破性成果。
G2D-Diff的另一大优势是“可解释性”。该模型利用注意力机制，能够识别在具有特定基因型的癌种中，哪些基因或生物学通路在药物设计中起关键作用。借此不仅能够生成新的分子，还可以在基因和生物学通路层面解释该分子为何有效，从而为治疗药物的合理性提供科学依据。
Nam Hojung教授表示：“本次研究开启了个体化医疗的新可能性，期待人工智能技术能够为疑难癌症患者带来新的希望。”
第一作者Kim Hyeonho博士强调：“G2D-Diff可以飞跃性提升新药开发过程中最为艰难的早期候选物质筛选阶段的效率，从而大幅缩短抗癌药的开发周期。”
版权所有 © 阿视亚经济 (www.asiae.co.kr)。 未经许可不得转载。
