ป้องกันการระบาดของโรคติดเชื้อและโรคระบาด ประดิษฐ์ (AI) ในการป้องกันการระบาดของโรคติดเชื้อและโรคระบาดในอนาคตแม้จะมีการพัฒนาด้านอณูพันธุศาสตร์ คอมพิวเตอร์ และเภสัชเคมี โรคติดเชื้อยังคงเป็นปัญหาสุขภาพที่ร้ายแรงทั่วโลกจำเป็นต้องมีความร่วมมือจากสหสาขาวิชาชีพเพื่อจัดการกับความยากลำบากที่เกิดจากการระบาดของโรค โรคระบาด สล็อต และการดื้อยาปฏิชีวนะเมื่อรวมกับชีววิทยาสังเคราะห์และระบบ AI กำลังเร่งความก้าวหน้า เพิ่มการค้นพบยาต้านการติดเชื้อ ปรับปรุงความเข้าใจของเราเกี่ยวกับชีววิทยาของการติดเชื้อ และเร่งการวิจัยการวินิจฉัย

เกี่ยวกับการตรวจสอบในการทบทวนปัจจุบัน นักวิจัยได้นำเสนอความท้าทายในการป้องกันโรคติดเชื้อและการมีส่วนร่วมของ AI ในการป้องกันโรค

ความท้าทายระดับโลกในการป้องกันโรคติดเชื้อ

ความท้าทายในการทำความเข้าใจกลไกทางชีววิทยาที่เป็นสาเหตุของโรคและการพัฒนามาตรการป้องกันการติดเชื้อมีความสำคัญในการจัดการการระบาดและเชื้อโรคใหม่ๆ เช่น โรคทางเดินหายใจเฉียบพลันรุนแรง โคโรนาไวรัส 2 (SARS-CoV-2), โรคฝีลิง, อีโบลา, ไข้หวัดใหญ่ H5N1, ไวรัส Marburg, ซิกา, โรคหัด, MERS และ Escherichia coli การดูแลยาต้านจุลชีพ การพัฒนายาต้านการติดเชื้อใหม่ๆ และการทำความเข้าใจกลไกการออกฤทธิ์เป็นสิ่งสำคัญในการต่อสู้กับความท้าทายเหล่านี้นอกจากนี้ การพัฒนาเครื่องมือวินิจฉัยที่มีต้นทุนต่ำและนำไปใช้งานภาคสนามได้ การปรับปรุงความแม่นยำในการทดสอบ การตรวจหาการดื้อยาต้านจุลชีพ และทำให้มีการรักษาโรคที่มีประสิทธิภาพ เป็นสิ่งจำเป็นสำหรับการจัดการกับการติดเชื้อที่เกิดขึ้นอย่างต่อเนื่องและถูกละเลย [เช่น โรคลายม์ ไวรัสตับอักเสบบีเรื้อรัง (HBV) และไวรัสตับอักเสบซี การติดเชื้อไวรัส (HCV), การติดเชื้อ mycotic เรื้อรัง, ไวรัสภูมิคุ้มกันบกพร่อง (HIV) ซึ่งทำให้เกิดโรคภูมิคุ้มกันบกพร่อง (AIDS) และผู้ที่เข้าถึงทรัพยากรด้านสุขภาพได้ไม่ดี]ปัญญาประดิษฐ์และการเรียนรู้ของเครื่องเพื่อป้องกันการติดเชื้อ

วิธีการที่ใช้ AI มีศักยภาพในการรวมข้อมูลเชิงปริมาณและข้อมูล omics จำนวนมาก ทำให้พวกเขาเชี่ยวชาญเป็นพิเศษในการจัดการกับความซับซ้อนทางชีวภาพ

แมชชีนเลิร์นนิง (ML) ซึ่งเป็นหมวดหมู่ย่อยของปัญญาประดิษฐ์ ใช้ข้อมูลในการฝึกเครื่องจักรเพื่อทำการทำนาย และช่วยอำนวยความสะดวกในการค้นหาฐานข้อมูลโมเลกุลขนาดเล็กแนวทาง ML รวมถึงโครงข่ายประสาทเทียมแบบกราฟภายใต้การดูแลและแบบจำลองการกำเนิดที่ไม่ได้รับการดูแล อัลกอริธึมการเรียนรู้ของเครื่องภายใต้การดูแลตรวจสอบไกลแคน โปรตีน กรดนิวคลีอิกและข้อมูลฟีโนไทป์ของเซลล์ทั้งแบบมีโครงสร้างและไม่มีโครงสร้าง เพื่อเปิดเผยลักษณะสำคัญและโครงสร้างโมเลกุลที่ควบคุมปฏิสัมพันธ์ระหว่างโฮสต์ เชื้อโรค และการตอบสนองของระบบภูมิคุ้มกัน

Inverse vaccinology ซึ่งทำนายแอนติเจนตามข้อมูลภูมิคุ้มกันวิทยาและพันธุกรรม ได้รับความช่วยเหลือจากเทคนิค ML ที่มีการดูแล เช่น Vaxign-ML

การจัดเรียงทางเคมีแบบใหม่และสายโซ่เปปไทด์เสนอโดยใช้แบบจำลอง ML เชิงกำเนิด ซึ่งอาจผลิตและประเมินได้ การพัฒนายายังสามารถได้รับความช่วยเหลือจากระบบกำเนิดเช่น GPT-4 และ BioNeMo ของ NVIDIA ซึ่งรวมสตรีมข้อมูลทางวิทยาศาสตร์ต่างๆ เพื่อปรับปรุงความเข้าใจของเราเกี่ยวกับการเปลี่ยนแปลงทางชีวภาพและเคมีพื้นฐาน

AI สามารถทำนายฤทธิ์ของยาต้านการติดเชื้อ ปฏิกิริยาระหว่างยากับเป้าหมาย และการออกแบบการรักษา แนวทาง ML ในการค้นพบยาต้านการติดเชื้อได้เน้นที่รูปแบบการฝึกอบรมเพื่อระบุยาใหม่หรือการใช้ยาที่ใช้อยู่ในปัจจุบัน ประโยชน์ที่สำคัญของแนวทาง ML คือสามารถคัดกรองไลบรารีแบบผสมในระดับเสมือนจริง (>10 9สารประกอบ) ซึ่งเป็นไปไม่ได้ที่จะคัดกรองในเชิงประจักษ์

แนวทางของ AI ที่เกี่ยวข้องกับการค้นพบยาต้านการติดเชื้อรวมถึงอินพุต เช่น หน้าจอฟีโนไทป์ หน้าจอเฉพาะเป้าหมาย และความไวต่อยาต้านการติดเชื้อ แบบจำลองรวมถึงโครงข่ายประสาทเทียมแบบกราฟ ตัวจำแนกฟอเรสต์แบบสุ่ม และแบบจำลองที่สามารถอธิบายได้ และผลลัพธ์ เช่น การยับยั้งการเจริญเติบโต ฤทธิ์ต้านจุลชีพ และกิจกรรมจับกับเป้าหมาย

ความก้าวหน้าล่าสุดในการผสานปัญญาประดิษฐ์เข้ากับชีววิทยาประดิษฐ์ การวิเคราะห์การแสดงออกทางพันธุกรรม การสร้างภาพ และแมสสเปกโตรเมทรีได้เพิ่มขีดความสามารถของเราในการระบุการติดเชื้อและคาดการณ์การดื้อยาได้อย่างมีนัยสำคัญ

แบบจำลอง AI ใช้สำหรับการแสดงออกของยีน แมสสเปกโตรเมตรี และการวินิจฉัยด้วยภาพ และ AST ยังคงมีความสำคัญสำหรับการแจ้งการใช้ยาต้านการติดเชื้อ AI สามารถอธิบายชีววิทยาของการติดเชื้อ อำนวยความสะดวกในการออกแบบวัคซีน และแจ้งกลยุทธ์การรักษาป้องกันการติดเชื้อ

ข้อมูลทางชีววิทยาของการติดเชื้อประกอบด้วยลำดับโมเลกุลขนาดใหญ่ โครงสร้างโปรตีน กล้องจุลทรรศน์ และสัณฐานวิทยา โมเดลรวมถึงการสร้างโมเดลเครือข่าย การสร้างโมเดลปฏิสัมพันธ์ และการสร้างโมเดลภาษา และผลลัพธ์รวมถึงการสร้างภูมิคุ้มกัน ปฏิสัมพันธ์ระหว่างโปรตีน และการฆ่าและการหลบหนีของเชื้อโรค

สำหรับการออกแบบวัคซีน อินพุตของ AI รวมถึงกรดนิวคลีอิกหรือลำดับโปรตีน โครงสร้างโปรตีน และข้อมูลการจับแอนติเจน แบบจำลองประกอบด้วยแบบจำลองประเภทลำดับต่อฟังก์ชัน ชุดตัวแยกประเภท และโครงข่ายประสาทเทียม และผลลัพธ์รวมถึงการนำเสนอแอนติเจนประสิทธิภาพ ของวัคซีน และประสิทธิภาพการแปล

เนื่องจากความสามารถในการตั้งโปรแกรมที่แข็งแกร่งของส่วนประกอบทางชีวภาพ การสังเคราะห์ชุดข้อมูลขนาดใหญ่หรือตามลำดับอย่างสม่ำเสมอ และความสามารถของ ML ในการดึงข้อมูลที่เกี่ยวข้องจากระบบชีวภาพและโมเลกุลในวิทยาศาสตร์ชีวภาพของโรค AI สามารถช่วยในการศึกษาชีววิทยาสังเคราะห์และการพัฒนา การวินิจฉัย

บทสรุปจากการทบทวนพบว่า ML และ AI ได้ปฏิวัติการวิจัยโรคติดเชื้อโดยการวิเคราะห์ชุดข้อมูลขนาดใหญ่และให้ข้อมูลเชิงลึกที่มีค่า อย่างไรก็ตาม ความท้าทายในการวินิจฉัยรวมถึงคุณภาพของข้อมูลต่ำ ความสามารถทั่วไปที่จำกัด และการคาดคะเนการวินิจฉัยที่สูง

จำเป็นต้องมีการทดลองที่เกี่ยวข้องกับชุดข้อมูลขนาดใหญ่และชุดข้อมูลการเปรียบเทียบที่ครอบคลุมเพื่อปรับปรุงโมเดล MLการทำนายปฏิกิริยาระหว่างยาแบบหลายมิติสามารถปรับปรุงตัวเลือกการรักษา คาดการณ์ผลข้างเคียง และเพิ่มอัตราความสำเร็จของยาใหม่ในการวิจัยทางคลินิก