摘要：近日，中国医学科学院系统医学研究院/苏州系统医学研究所吴爱平研究团队在《国家科学评论》（National Science Review, NSR）发表了题为Unleashing the Potential of Artificial Intelligence

BioArtMED

2025年01月25日 11:53四川

近日，中国医学科学院系统医学研究院/苏州系统医学研究所吴爱平研究团队在《国家科学评论》（National Science Review, NSR）发表了题为Unleashing the Potential of Artificial Intelligence in Infectious Diseases 的观点性文章。该文简要总结了人工智能（AI）技术在传染病研究和防控领域的最新进展，深入探讨了AI应用于传染病领域所面临的挑战，并对未来发展方向提出了潜在解决策略，为推动AI赋能传染病防控提供了前瞻性建议。

▍ 研究背景：AI正在改变传染病研究范式

近年来，AI技术在传染病领域展现出前所未有的应用潜力。在疫情监测方面，AI驱动的早期预警系统可通过自然语言处理技术，实时分析网络数据，快速识别新发病原体的出现。在临床诊断领域，AI算法已能准确区分新冠病毒与流感病毒等相似病原体，为精准治疗提供重要依据。1在药物研发方面，AI技术极大提升了化合物库筛选效率，显著优化了药物-靶点相互作用的预测准确性。2与传统生物信息学方法相比，AI在处理海量数据、挖掘复杂模式和提供精准预测等方面具有显著优势，正逐步改变传染病研究的传统范式。

▍ 当前挑战：数据限制与方法论困境

AI技术在传染病领域的应用仍面临诸多现实挑战。首要问题是数据质量和可及性。研究团队指出，当前存在严重的采样偏差问题，包括自然选择偏差、样本量不足、地理分布不均等。特别是在发展中国家和欠发达地区，由于数据采集和数字化程度有限，难以建立具有充分代表性的AI模型。其次，病原体本身的多样性和复杂性给AI建模带来了巨大挑战。不同类型的病原体——病毒、细菌、真菌和寄生虫——各具特点，其与宿主的相互作用机制更是错综复杂，这些都增加了模型构建的难度。

在研究范式方面，传统的假设驱动方法与AI的数据驱动特性之间存在明显矛盾。AI算法往往在庞大的数学空间中进行探索，而实际的生物学问题可能仅限于较小的特定空间，这种错配导致计算资源的浪费，甚至可能产生误导性结果。此外，多尺度数据的整合也面临巨大挑战，从分子组学到人群流行病学的不同层次数据，需要建立更有效的整合分析方法。

▍ 创新突破：优化策略与方法创新

针对这些挑战，研究团队提出了一系列创新性潜在解决策略。在数据采集方面，建议充分利用新型技术手段，如污水监测系统、数字化追踪等3，同时发挥高通量实验技术的优势，快速扩充可用数据集。在研究策略方面，强调要重新定义问题空间，根据具体生物学问题选择恰当的分析边界和编码策略，避免盲目追求模型规模而忽视实际应用效果。特别值得注意的是，近期的研究4强调了负样本在模型训练中的关键作用，建议有针对性地收集和整合负样本数据，以提高模型的准确性和可靠性。

▍ 未来展望：新技术与新范式

展望未来，AI与传染病研究的深度融合将在多个领域带来突破性进展。随着实验技术的进步和计算成本的持续下降，高通量技术的应用将更加普及。单细胞测序等新兴技术的发展，将为疾病模型的构建提供更精细的数据支持。大语言模型等新一代AI技术的出现，也为传染病研究开辟了新的可能性。特别是在精准医疗领域，AI有望推动传染病诊疗方案的个性化定制，实现更好的治疗效果。

▍ 结语

随着学科交叉融合的深入和技术创新的加速，AI必将在全球传染病防控体系中发挥越来越重要的作用，为人类应对重大传染病挑战提供强有力的科技支撑。

中国医学科学院系统医学研究院/苏州系统医学研究所吴爱平研究员和周航宇副研究员为该论文的通讯作者。周航宇和之江实验室李亚玲助理研究员是本文的共同第一作者。

参考文献

1. Brownstein JS, Rader B, Astley CM et al. N Engl J Med2023; 388:1597-1607.

2. Wong F, de la Fuente-Nunez C and Collins JJ. Science 2023; 381: 164-170.

3. Ferretti L, Wymant C, Petrie J et al. Nature 2024; 626: 145-150.

4. Hou X, He Y, Fang P et al.Cell 2024; 187:1-14.

来源：营养和医学