G可解释生物医学( 四 )

举个例子，如何让AI识别男女，我们经常是输入男性和女性的特征，比如头发的长短、身体的胖瘦、个子的高矮。但是从结果回溯，我们需要知道，AI到底基于什么比例做出的判断？
80%是因为你的头发比较长，10%的原因是你的个子比较矮小，1%的原因是你比较苗条。

文章插图

为什么结果解释在医学中这么重要呢？
因为这是找到“靶标”的过程。
我来举个AlphaFold的例子。
大家知道氨基酸有20个字母，形成一个序列即氨基酸序列，这个序列可以产生一个结构。在生物界，蛋白质序列是很容易得到的，蛋白质结构是很难的。现在很容易基于氨基酸序列给出所有的预测结果，但如果由结果回溯，AI能不能得出序列？
如果可以实现，那么我们就可以找到压抑癌症、压抑肺病的某一个蛋白质，从而以靶标精准用药。
人工智能的解释是逆向工程，这个工作非常复杂，但是非常值得研究。

文章插图

说到这，大家会问，为什么要用人工智能做药物筛选呢？人工智能技术在药物筛选流程中的哪一个环节？

文章插图

在美国的药库中，目前有三万种药，在药物和小分子结构的耦合中，如果用生物实验来做匹配，至少要做3万多次实验，时间成本是多少？
人工智能能够用最快速的办法做筛选，最后排列出耦合度最高的前100种药物，再由人工实验选择出排名前几位的几种药物，极大降低研究人员的实验难度，缩小时间成本。
而在实际情况中，从药物筛选到药物上市，中间还要有经过生物实验、动物实验、一期、二期、三期临床，以便证明药的效果好，并且没有副作用。
如果我们在最初始阶段卡了脖子，整个过程将十分漫长。医疗济世，就会道阻且长。
可解释AI最近是个研究热点，而我们16年以前已经把可解释AI成功地应用于生物信息领域，有效指导了生物学家进行有选择性的生物实验，大大减少了生物实验成本。
之所以要用到可解释AI，是因为生物学家当时需要知道哪种氨基酸的变化引起了蛋白质结构的调整，以便下一步做有选择性的实验。
以上过程中能够看出，很多问题，如可解释AI，来自于实践，最后结果又用之于实践。
在2006年，我们发表了两篇可解释AI相关论文，一篇为《基于支持向量机和决策树的蛋白质二级结构预测的规则生成》、另一篇为《基于支持向量机和决策树的跨膜片段预测与理解》。
两篇文章用到了关联规则和决策树来记录人工智能的决策过程，以便回溯和解释整个决策的过程。
感兴趣的读者，可以阅读下面两篇文章：
https://ieeexplore.ieee.org/abstract/document/1603533
https://www.sciencedirect.com/science/article/pii/S0957417405002411

文章插图

大家会提到基因组学、蛋白质组学、转录组学、微生物组学、代谢组学、病理组学、放射组学等等，组学研究越来越多。
之所以产生这些组学词语，是人们发现单纯研究某一方向（基因组、蛋白质组、转录组等）无法解释全部生物医学问题，开始从整体的角度出发去研究人类组织细胞结构，基因，蛋白及其分子间相互的作用。
通过整体分析反映人体组织器官功能和代谢的状态，为探索人类疾病的发病机制提供新的思路。
当大家关注到事物之间的关系，用万物互联的思路解决问题，用AI探索万物互联，不仅能输出定量化病理诊断和疾病预后，还能推动病理研究向着更加自动化、更加精准的方向发展。
总之，今天很多的医药进步，已经不仅是通过临床实验做出来的，还是用数据分析出来的。

文章插图

文章插图

【 G可解释生物医学】随着科学的发展，医疗行业正在不断创新，科研力量的进步与医学界的需求，将共同促进医疗人工智能的发展。

G可解释 生物医学( 四 )

G可解释生物医学( 四 )