大家好，目前关于到给虚拟病人试药，数字孪生模型 “算”出“新药”来这一类的信息是很多小伙伴们都非常关心的，跟随编辑小法一起往下看看吧。
据第一财经，乳腺癌是全球第二大癌症，脊索瘤则是发病率不足1/100000的罕见恶性肿瘤，接近“无可救药”。但近期一项国内研究显示，一款用于治疗乳腺癌的一线治疗药物对脊索瘤显示出临床良好的响应，可能为“无药可治”的脊索瘤患者带来生存获益。
“碰巧”将乳腺癌和脊索瘤这两种看起来“不可相提并论”的癌种连接起来的，是牛钢担任主任的图灵-达尔文实验室计算医学团队。
与通过大量循证医学研究结论拓展适应证不同的是，这一研究是通过人工智能算法“算”出来的。
牛钢对记者介绍说，他们团队利用人工智能改变药物研发范式的思路并不是基于时下“最火”的AIGC（生成式人工智能），也不是已转为药物研发阶段常规性辅助工具的AIDD（人工智能辅助药物设计），而是“计算医学”技术体系。
根据牛钢的解释，生成式AI模型本身依赖于数据的统计分布和变量之间的条件概率，因此需要进行巨量数据训练。然而，人类疾病数据天生就是“小数据”，尤其是罕见病。即便是癌症与自身免疫性疾病，也存在因病理复杂、疾病机制异质性强而导致每个亚型的数据并不多。这就需要以认知疾病为目标的计算医学，用AI解决疾病和药物机理认知不清的系统性问题。
近年来，牛钢团队尝试利用基于人类组学的数字孪生技术，从机制出发，研究疾病的可解释性，并探索潜在的靶点。
牛钢认为，人工智能可以通过理解人类个体的基因组DNA序列信息，提取个人的“指纹性”基因突变、建立基于细胞信号转导通路与功能的全局性“蓝图”，进而产生对疾病状态有指向意义的特征性数据，并结合疾病特异性模型（如生理学、药代动力学模型）等。
通俗来说，人工智能一方面可以通过建立代表患者个体的生理与病理特征的数字孪生，用以模拟患者的疾病进展、药物响应、生存预后等临床重要指标。另一方面，可以通过利用医学影像、病理信息、多组学数据等，构建出肿瘤等疾病的复杂病灶的数据孪生，用以模拟病灶中不同细胞行为和互动过程等。
本文到此结束，希望对大家有所帮助。