病毒是一種狡猾的小病原體，在我們的免疫系統(tǒng)知道如何摧毀它們之前，就能對人體造成嚴重破壞。有了機器學習工具，我們就可以通過加速抗體的形成來戰(zhàn)勝它們。

在卡耐基梅隆大學機械工程系的實驗室里，Amir Barati Farimani開發(fā)了能夠基于數(shù)據(jù)推斷、學習和預測機械系統(tǒng)的算法。他研究了一系列的課題，從流體力學和傳熱到材料發(fā)現(xiàn)和機器人技術，他還研究了人類健康和生物工程的挑戰(zhàn)。Barati Farimani是卡耐基梅隆大學機械工程助理教授，他在那里指導機械和人工智能實驗室。

隨著COVID-19大流行的爆發(fā)，Barati Farimani很快將他的實驗室的重點轉移到SARS-CoV-2研究上。此前，他曾使用機器學習工具來研究埃博拉病毒和艾滋病病毒的抗體，現(xiàn)在他想進一步研究這種新型冠狀病毒。

目前，科學家們使用基于計算和物理的模型來篩選成千上萬的抗體序列。這些模型既昂貴又耗時，還需要我們尚未掌握的關于SARS-CoV-2的信息。

“這就是機器學習可以完成繁重任務的地方，”Barati Farimani說。“它不僅能比目前的篩選方法更快地‘學習’復雜的抗原-抗體相互作用，還能在反應時間上超過人類的免疫系統(tǒng)。”

研究小組將現(xiàn)有的其他傳染性病毒的生物數(shù)據(jù)整合到他們命名為VirusNet的數(shù)據(jù)集中。然后，他們用這組數(shù)據(jù)來訓練機器學習模型，選擇性能最好的模型來篩選成千上萬的潛在抗體候選。

該模型最終鑒定出8種穩(wěn)定的抗體，它們在中和SARS-CoV-2方面非常有效。這些發(fā)現(xiàn)被發(fā)布在生物學預印本服務器bioRxiv的初步報告中，以便其他研究人員能夠盡快獲得這些信息。

“我們的目標是拯救生命，”Barati Farimani說。“現(xiàn)在分享我們的初步發(fā)現(xiàn)，將有助于世界各地的其他科學家抗擊這種病毒的工作。我們有著共同的目標。”