江苏龙网

  1. 主页 > 生活百科 > >

医药探索中的人工智能( 二 )

人工智能

运行这个将使TypeDB返回符合查询条件的数据 。并可以在TypeDB Studio中可视化，如下所示，这将有助于了解哪些相关药物可能值得进一步调查 。
通过自动推理，TypeDB也可以推断出数据库中不存在的知识 。这是通过编写规则来完成的，这些规则构成了TypeDB中模式的一部分 。例如，一个规则可以推断出一个基因和一种疾病之间的关联，如果该基因编码的蛋白质与该疾病有关 。这样的规则将被写成： rule inference-example:when {(encoding-gene: $gene, encoded-protein: $protein) isa encode;(protein: $protein, disease: $disease) isa protein-disease-association;} then {(gene: $gene, disease: $disease) isa gene-disease-association;};然后，如果我们要插入以下数据：
TypeDB将能够推断出基因和疾病之间的联系，即使没有插入到数据库中 。在这种情况下，以下关系基因-疾病-关联将被推断出来 。 match$gene isa gene, has gene-id "2";$disease isa disease, has disease-name $dn; ;(gene: $gene, disease:$disease) isa gene-disease-assocation;通过机器学习加速目标探索有了TypeDB对生物医学数据（符号）进行表示，再加上机器学习的上下文知识就可以让整个系统变得更加强大，从而增强洞察力 。例如，可以通过药物探索管道发现有希望的目标 。
寻找有希望的目标的方法是使用链接预测算法 。TypeDB的规则引擎允许这样的ML模型执行，该模型通过推理推断对事实进行学习 。这意味着从对平面的、无背景的数据学习转向对推理的、有背景的知识学习 。其中一个好处是，根据领域的逻辑规则，预测可以被概括到训练数据的范围之外，并减少所需的训练数据量 。
这样一个药物发现的工作流程如下：
1. 查询TypeDB，创建上下文知识的子图，利用TypeDB的全部表达能力 。
2. 将子图转化为嵌入（embedding），并将这些嵌入到图学习算法中 。
3. 预测结果（例如，作为基因-疾病关联之间的概率分数）可以被插入TypeDB，并用于验证/优先考虑某些目标 。
有了数据库中的这些预测，我们可以提出更高层次的问题，利用这些预测与数据库中更广泛的背景知识 。比如说：什么是最有可能成为黑色素瘤的基因目标，这些基因编码的蛋白质在黑色素细胞中如何表达？
用TypeQL写，这个问题看起来如下： match $gene isa gene, has gene-id $gene-id;$protein isa protein; $cell isa cell, has cell-type "melanocytes";$disease isa disease, has disease-name "melanoma";($gene, $protein) isa encode; ($protein, $cell) isa expression; ($gene, $disease) isa gene-disease-association, has prob $p; get $gene-id; sort desc $p;这个查询的结果将是一个按概率分数排序的基因列表（如图学习者预测的）： {$gid "TOPGENE" isa gene-id;}{$gid "BESTGENE" isa gene-id;}{$gid "OTHERTARGET" isa gene-id;}...然后，我们可以进一步研究这些基因，例如通过了解每个基因的生物学背景 。比方说，我们想知道TOPGENE基因编码的蛋白质所处的组织 。我们可以写下面的查询 。 match $gene isa gene, has gene-id $gene-id; $gene-id "TOPGENE"; $protein isa protein;$tissue isa tissue, has name $name;$rel1 ($gene, $protein);$rel2 ($protein, $tissue);在TypeDB Studio中可视化的结果，可以显示这个基因编码的蛋白质在结肠、心脏和肝脏中的表达：

医药探索中的人工智能

文章插图
 结论世界迫切需要创造治疗破坏性疾病的解决方案，希望通过人工智能的创新建立一个更健康的世界，在这个世界中每种疾病都可以被治疗 。人工智能作用于药物探索仍处于起步阶段，但是如果一旦实现将会让生物学释放出新的创新浪潮，并使21世纪真正成为属于它的纪元 。
在这篇文章中，我们看了TypeDB是如何实现生物医学知识的符号化表示，以及如何改善ML来为药物探索做出贡献的 。在药物探索中应用人工智能的科学家们使用TypeDB来分析疾病网络，更好地理解生物医学研究的复杂性，并发现新的和突破性的治疗方式 。译者介绍崔皓，51CTO社区编辑，资深架构师，拥有18年的软件开发和架构经验，10年分布式架构经验 。
原文标题：Artificial Intelligence in Drug Discovery，作者：Tomás Sabat
 



推荐阅读


上一篇：从事网络安全工作所需的 10 项基本技能

下一篇：网络基础设施革命四大趋势