AI助力食物过敏研究：首个社区驱动实验室成立

全球范围内，估计有2.2亿人患有至少一种食物过敏，仅在美国就约占人口的10%。这一状况不仅影响患者的身体健康，还对其心理健康和整体生活质量造成重大影响。近年来，生物医学研究取得了多项显著进展，包括实验性疫苗、基于脱敏的免疫疗法以及能够以前所未有的精度识别特定过敏原敏感性的改进诊断工具。与此同时，人工智能在生物学和医学领域的应用也取得了突破性进展。AlphaFold和Boltz-1等模型彻底改变了蛋白质结构预测，而AI驱动的基因组学、药物发现和分子建模方法正在加速生物医学创新步伐。这些领域的融合为理解、预测并最终治疗食物过敏等复杂免疫状况开辟了新的可能性。AI for Food Allergies项目的愿景是建立首个社区驱动的研究实验室，专门探索人工智能如何有意义地推动食物过敏研究领域的发展。该项目旨在通过开发开放、协作的项目，弥合尖端AI与生物医学科学之间的差距，为研究人员、临床医生和患者提供切实价值。过去几年对食物过敏研究来说是变革性的。人工智能曾经局限于图像识别或文本翻译，现在已能自如地应用于定义食品安全的生物和监管领域。这一演变始于早期生物信息学技术，利用序列比对和物理化学描述符来检测和标记潜在过敏原。SDAP和AllergenOnline等数据库被用于识别交叉反应蛋白。机器学习算法如AllerHunter和NetAllergen后来增强了这些方法，通过训练数千种已知过敏原和非过敏原来提高预测准确性。如今，在分子水平上，ProtBERT、ESM-2和AllergenBERT等深度学习模型可以分析氨基酸序列，预测蛋白质是否可能成为过敏原。它们识别与免疫反应相关的微妙生化模式、序列基序、二级结构信号和表位相似性。例如，AllergenAI将卷积神经网络应用于来自SDAP 2.0、COMPARE和AlgPred 2的过敏原序列，揭示了对IgE结合至关重要的基序，并展示了将结构数据整合到预测流程中的前景。过去需要数月实验室实验的工作现在可以通过计算进行筛选，显著加速了新型食品和植物蛋白中的过敏原发现。同时，AI通过药物-靶点相互作用建模的进展，正在扩大过敏治疗的范围。深度神经网络、图神经网络和Transformer模型利用来自化学基因组数据集的数据。