深度学习可预测疾病突变

近年来，模仿人类行为的机器中的人工智能（AI）已经成为药物开发项目等先进技术的关键要素。

人工智能工具可帮助科学家使用优化的计算算法发现生物大数据的秘密。

诸如深度神经网络之类的人工智能方法可以改善生物和化学应用中的决策。

例如，预测与疾病相关的蛋白质，发现新的生物标记并开发用于小分子药物的新设计。这种最先进的方法有助于更有效，更经济地开发潜在药物。

香港大学化学系和孙洪哲团队与美国亚利桑那州梅奥诊所的王俊文教授合作，提供强大的深度学习功能，以预测与人体蛋白质中金属结合位点相关的疾病相关突变。我已成功实施了深度学习方法。

这是预测与人类金属蛋白疾病相关的金属相关位点突变的第一种深度学习方法。因此，期望该新平台可用于治疗人类疾病。

该研究今天发表（《自然机器智能》）。该论文的标题是“使用深度学习方法预测蛋白质中金属结合位点的疾病相关突变”。

金属离子在人体生理学中的重要作用

金属离子在人类生物系统的（病理）生理学中起着重要的结构和功能作用。

锌，铁和铜等金属对于所有生物都是必不可少的，并且细胞内的浓度受到严格控制。缺少或过量的生理金属离子会导致致命的疾病。

已经发现人类基因组中的突变与许多不同的疾病密切相关。如果突变发生在DNA的编码区域，则可能导致蛋白质的金属结合位点出现问题，进而引发人体严重疾病。

在这种情况下，对蛋白质金属结合位点疾病相关突变的理解有望促进新药的发现。

每种金属都有不同的疾病

该团队首先整合了来自其他数据库的组学数据，以建立一个全面的教育数据集。Ohmic是一个生物学领域，它基于诸如基因组学，蛋白质组学和新陈代谢等一系列综合概念。

研究小组对收集到的数据进行了统计，发现不同的金属有不同的疾病关联。

锌结合位点的突变已显示在乳腺和肝脏，肾脏，免疫系统和前列腺疾病中起主要作用。相反，钙和镁结合位点的突变分别与肌肉和免疫系统疾病有关。

铁结合位点的突变与代谢性疾病有关，而锰和铜结合位点的突变分别与心血管疾病和神经疾病有关。

该团队尝试使用基于能量的亲和力晶格图从金属结合位点提取空间特性的新方法。这些空间特征与理化顺序特征相结合来训练模型。

经过对该模型的深入学习，最终分析表明，AUC的预测能力为0.92，准确性为0.82。

“深度学习AI方法将帮助战胜疾病”

凭借受金属学和含金属蛋白限制的先进技术和平台，该团队提出的深度学习方法提供了一种整合实验数据和生物学信息分析的新方法。

该方法有望帮助预测与疾病相关的突变，例如癌症，心血管疾病和遗传疾病。

Soon说：“机器学习和人工智能在当今的生物学和化学中起着重要的作用。” “体外和外部实验已经产生了大量有价值的数据。”

他补充说：“现在，我们将基于深度学习开发一种AI方法，以将这些数据转化为有价值的知识。”

不久后计划将新的深度学习方法应用于实验室中的其他项目。