深度學習確定了用於治療SARS-CoV-2等病毒的協同藥物組合。COVID-19的生存威脅凸顯了開發針對新興健康問題的有效治療方法的迫切需求。深度學習給我們帶來的好處之一是能夠在它展開研究時修改條件，只要我們能夠跟上病毒的威脅，並獲得正確的數據。
與所有新的醫學疾病一樣，很多時候數據需要時間來跟上，而病毒卻不能通過拖延來減緩，這構成了一個困難的挑戰，因為它可以迅速變異並對現有藥物產生抗藥性。這讓來自麻省理工學院計算機科學與人工智能實驗室（CSAIL）和Jameel健康機器學習診所的科學家們提出：我們如何才能為快速蔓延的SARS-CoV-2確定正確的協同藥物組合？
通常情況下，數據科學家使用深度學習來挑選出有大量現有數據集的藥物組合，如癌症和心血管疾病，但可以理解的是，它們不能用於數據有限的新疾病。
由於沒有必要的事實和數據，該團隊需要一種新的方法：一個戴着兩頂“帽子”的神經網絡。由於藥物協同作用往往是通過抑制生物靶點（如蛋白質或核酸）而發生的，因此該模型聯合學習藥物-靶點相互作用和藥物-藥物協同作用來挖掘新的組合。藥物-靶點預測算法對藥物和一組與所選疾病相關的已知生物靶點之間的相互作用進行建模。靶點-疾病關聯預測器學習了解一種藥物的抗病毒活性，這意味着確定感染組織培養物中的病毒產量。兩者結合起來，可以預測兩種藥物的協同作用。
使用這種方法發現了兩種新的藥物組合：瑞德西韋（目前被美國食品和藥物管理局批准用於治療Covid-19）和雷瑟平，以及瑞德西韋和IQ-1S，在生物實驗中，它們被證明對病毒具有強大的作用。該研究已發表在《美國國家科學院院刊》上。
“通過對藥物和生物目標之間的相互作用進行建模，我們可以大大減少對組合協同作用數據的依賴，”Wengong Jin說，他是麻省理工學院和哈佛大學Broad研究所的博士后，最近完成的CSAIL的博士論文中，他是關於這項研究的新論文的主要作者。”與之前使用藥物-目標相互作用作為固定描述符的方法相比，我們的方法從分子結構中學習預測藥物-目標相互作用。這是有利的，因為很大比例的化合物具有不完整的藥物-靶點相互作用信息”。
使用多種藥物來最大限度地發揮藥效，同時也減少副作用，對於上述癌症和心血管疾病，包括一系列其他疾病，如結核病、麻風病和瘧疾，實際上是無處不在的。非常重要的是，使用專門的藥物組合可以減少嚴重的、有時是公開的抗藥性威脅（想想被稱為”MRSA”的耐甲氧西林金黃色葡萄球菌），因為許多抗藥性突變是相互排斥的。一種病毒要同時發展出兩種突變，然後對聯合療法中的兩種藥物產生耐藥性，這要難得多。
重要的是，該模型並不局限於一個SARS-CoV-2病毒株–它也有可能被用於傳染性越來越強的Delta變種或可能出現的其他令人擔憂的變種。為了擴大該模型對這些毒株的療效，你只需要為相關的突變提供額外的藥物組合協同效應數據。此外，該團隊將他們的方法應用於艾滋病毒和胰腺癌。
為了進一步完善他們的生物建模，該團隊計劃納入更多的信息，如蛋白質-蛋白質互動和基因調控網絡。
他們正在探索的未來工作的另一個方向是稱為”主動學習”的概念。由於規模有限，許多藥物組合模型都偏向於某些化學空間，因此預測的不確定性很高。主動學習有助於指導數據收集過程，並在更廣泛的化學空間中提高準確性。