数据揭示未来。这句话恰当地描述了我们当下所处的人工智能(AI)时代。医疗领域也是如此,随着基因组(基因信息)、个人医疗记录以及吸烟、运动、睡眠等生活习惯数据不断积累,AI能够一次性读取这些复杂信息,更准确地提示疾病风险与治疗方向的时代正在开启。
首先,基于医疗记录的AI已开始预测疾病的走向。代表性案例是对Transformer加以改造而成的Delphi-2M模型。数月前发表于《自然》杂志的这项研究,学习了规模达40万人的英国生物样本库资料,并以190万名丹麦人为对象,基于个人过去的诊断史与生活因素,同时预测1000多种疾病的发生率,并生成未来的健康轨迹,甚至可以推算10至20年为单位的疾病负担。也就是说,它并非逐一单独看待疾病,而是按时间顺序学习某种疾病之后更可能连接到哪种疾病,并给出答案。
随着基因组解读的速度与准确度大幅提升,从DNA序列中寻找变异并预测包括遗传病在内的疾病,已成为理所当然的方式。基因组检测中最困难的部分是判断所发现的变异是否真的会致病。谷歌研究团队开发的AlphaMissense通过学习蛋白质的结构语境与进化保守性,大规模预测了单个氨基酸发生改变的错义变异丧失功能的可能性。利用它可以减少意义不明的变异,在罕见病诊断中缩小病因候选范围,并有助于在癌症基因组中对可作为治疗靶点的变异进行优先排序。
引发疾病的变异中,相当多并不直接改变蛋白质,而位于影响基因表达量的非蛋白编码DNA区域。像Enformer这样的模型,利用基于Transformer的深度学习,被设计为仅凭DNA序列即可预测特定基因在哪种细胞中表达多少,从而使人们能更具体地追踪非编码变异提高疾病风险的路径。在基因组检测中容易被漏掉的剪接(从RNA中只剪取并拼接所需部分的过程)变异方面,像SpliceAI这样的模型甚至能预测正常剪接位点被破坏或原本隐藏的剪接位点新生成的情况。回想笔者二十多年前通过大量实验才得知癌症患者中特定细胞因子的剪接变异会产生影响这一研究结果,便能切实感受到AI的巨大力量。
将AI用于蛋白质结构预测、细胞反应预测,从而设计实验方向,对相关研究者而言正成为必需。通过学习单细胞基因表达数据与基因扰动信息,还可以预测触动哪些基因会使细胞发生怎样的变化。这在寻找药物靶点或设计联合治疗策略时十分有用。
将个人的生活习惯数据系统性地用于健康管理与疾病治疗非常重要。不仅吸烟、饮酒与否及频率、睡眠模式、饮食习惯,包括运动在内的活动指标也极为重要。通过配备手腕加速度计的智能手表或健身手环等可穿戴设备测得的活动量,不仅是单纯的运动量,更成为与数百种疾病长期风险相关的重要指标。利用英国生物样本库手腕加速度计资料的研究,系统评估了中等强度以上身体活动与697种疾病发生的关联性,清晰表明生活习惯是疾病预防的核心要素。当这类生活数据与医疗记录及基因组分析相结合时,AI将能够为患者提供更加个性化的预防策略。
一个遗憾之处是,目前发表的许多结果以西方人为中心。数据如此偏向特定人群,预测也可能产生偏差。此外,还须做到个人信息保护以及对为何做出该预测的可解释性。尽管如此,近来的趋势是明确的。AI正在使一种新的体系成为可能:以基因组及其他生命信息为基础缩小疾病病因候选范围,以医疗记录预测未来风险,以生活习惯数据设计预防与生活方式。这正是AI带来的医疗革命。






