深度学习确定了用于治疗SARS-CoV-2等病毒的协同药物组合。COVID-19的生存威胁凸显了开发针对新兴健康问题的有效治疗方法的迫切需求。深度学习给我们带来的好处之一是能够在它展开研究时修改条件，只要我们能够跟上病毒的威胁，并获得正确的数据。
与所有新的医学疾病一样，很多时候数据需要时间来跟上，而病毒却不能通过拖延来减缓，这构成了一个困难的挑战，因为它可以迅速变异并对现有药物产生抗药性。这让来自麻省理工学院计算机科学与人工智能实验室（CSAIL）和Jameel健康机器学习诊所的科学家们提出：我们如何才能为快速蔓延的SARS-CoV-2确定正确的协同药物组合？
通常情况下，数据科学家使用深度学习来挑选出有大量现有数据集的药物组合，如癌症和心血管疾病，但可以理解的是，它们不能用于数据有限的新疾病。
由于没有必要的事实和数据，该团队需要一种新的方法：一个戴着两顶“帽子”的神经网络。由于药物协同作用往往是通过抑制生物靶点（如蛋白质或核酸）而发生的，因此该模型联合学习药物-靶点相互作用和药物-药物协同作用来挖掘新的组合。药物-靶点预测算法对药物和一组与所选疾病相关的已知生物靶点之间的相互作用进行建模。靶点-疾病关联预测器学习了解一种药物的抗病毒活性，这意味着确定感染组织培养物中的病毒产量。两者结合起来，可以预测两种药物的协同作用。
使用这种方法发现了两种新的药物组合：瑞德西韦（目前被美国食品和药物管理局批准用于治疗Covid-19）和雷瑟平，以及瑞德西韦和IQ-1S，在生物实验中，它们被证明对病毒具有强大的作用。该研究已发表在《美国国家科学院院刊》上。
"通过对药物和生物目标之间的相互作用进行建模，我们可以大大减少对组合协同作用数据的依赖，"Wengong Jin说，他是麻省理工学院和哈佛大学Broad研究所的博士后，最近完成的CSAIL的博士论文中，他是关于这项研究的新论文的主要作者。"与之前使用药物-目标相互作用作为固定描述符的方法相比，我们的方法从分子结构中学习预测药物-目标相互作用。这是有利的，因为很大比例的化合物具有不完整的药物-靶点相互作用信息"。
使用多种药物来最大限度地发挥药效，同时也减少副作用，对于上述癌症和心血管疾病，包括一系列其他疾病，如结核病、麻风病和疟疾，实际上是无处不在的。非常重要的是，使用专门的药物组合可以减少严重的、有时是公开的抗药性威胁（想想被称为"MRSA"的耐甲氧西林金黄色葡萄球菌），因为许多抗药性突变是相互排斥的。一种病毒要同时发展出两种突变，然后对联合疗法中的两种药物产生耐药性，这要难得多。
重要的是，该模型并不局限于一个SARS-CoV-2病毒株--它也有可能被用于传染性越来越强的Delta变种或可能出现的其他令人担忧的变种。为了扩大该模型对这些毒株的疗效，你只需要为相关的突变提供额外的药物组合协同效应数据。此外，该团队将他们的方法应用于艾滋病毒和胰腺癌。
为了进一步完善他们的生物建模，该团队计划纳入更多的信息，如蛋白质-蛋白质互动和基因调控网络。
他们正在探索的未来工作的另一个方向是称为"主动学习"的概念。由于规模有限，许多药物组合模型都偏向于某些化学空间，因此预测的不确定性很高。主动学习有助于指导数据收集过程，并在更广泛的化学空间中提高准确性。