当前的机器学习技术能够使生物信号与测量的表型牢固地结合,但是这些方法不能识别因果关系。
最近,研究人员开发了一个集成的“白盒子”生化筛选,网络建模和机器学习方法,以揭示因果机制,并应用这种方法来理解抗生素的功效。
研究人员在大肠杆菌中反向筛选针对杀菌抗生素的多种代谢物,并使用基因组规模的代谢网络模型模拟其相应的代谢状态。
在模型模拟上回归测量的筛选数据表明,嘌呤生物合成参与抗生素致死性,研究人员之后通过实验验证了该模型。
研究人员表明,抗生素诱导的腺嘌呤限制增加了ATP需求,提高了中枢碳代谢活性和氧消耗,增强了抗生素的杀伤作用。
这项工作展示了前瞻性网络建模如何与机器学习相结合,以确定药物功效的复杂因果机制。
原始出处:
Yang JH et al. A White-Box Machine Learning Approach for Revealing Antibiotic Mechanisms of Action. CELL, 2019; doi: 10.1016/j.cell.2019.04.016.
本文系梅斯医学(MedSci)原创编译整理,转载需授权!
CLIN CHEM:利用机器学习助力尿液类固醇信息解释
0 2018-11-02 点击查看
Nature:用机器学习预测基因组修复结果,实现精准的无模板Cas9编辑
0 2018-11-11 点击查看
Semin Arthritis Rheu:电子健康记录中狼疮患者的识别
0 2019-01-11 点击查看
Eur Heart J:机器学习算法可以估计成人先天性心脏病的预后并指导治疗
0 2019-01-28 点击查看
Radiology:MRI放射组学机器学习与ADC值在评价前列腺病变的价值
0 2019-03-06 点击查看
Sci Rep:肌肉侵入性膀胱癌预后中,机器学习自动化肿瘤芽殖定量能够改善TNM分期
0 2019-04-12 点击查看