机器学习方法在应对SARS-CoV-2感染中的应用

医学信息学解锁23（2021）100526机器学习方法在应对SARS-CoV-2感染Mohammad Sadeq Mottaqia，Fatemeh Mohammadipanah a，*，Hedieh Sajedib，**a德黑兰大学理学院生物学院微生物生物技术系和生物体系统发育卓越中心，14155- 6455，伊朗德黑兰b德黑兰大学理学院数学、统计和计算机科学学院计算机科学系，14155-6455，伊朗德黑兰A R T I C L EI N FO保留字：SARS-CoV-2COVID-19Coronavirus人工智能机器学习呼吸道感染深度学习A B S T R A C T问题：最近出现的SARS-CoV-2感染使整个世界处于异常的需求状况，迫切需要通过人工智能（AI）开发有效的应对措施。目的：综述近年来机器学习技术在冠状病毒病（SARS-CoV-2）预防、诊断、监测和治疗中的应用。方法：对截至2020年11月的最新出版物进行了逐步调查，这些出版物与应对COVID-19感染挑战的人工智能方法有关。结果：对于患者诊断和筛选，卷积神经网络（CNN）和支持向量机（SVM）被广泛应用于分类目的。此外，深度神经网络（DNN）和同源建模是最常用的SARS-CoV-2药物再利用模型。结论：虽然通过医学图像处理诊断SARS-CoV-2感染及其通过机器学习传播模式的领域已经得到了充分的研究，但一些领域，如患者的治疗结果和药物开发，需要使用人工智能方法进行进一步研究1. 介绍机器学习如今，人工智能（AI）和机器学习（ML）的科学被用于大多数工业活动和业务中，以规划，做出正确的决策，并提高流程的效率。ML是AI中使用最广泛的分支，它定义和探索了使计算机和系统能够学习的方法和算法。ML方法ML已经彻底改变了医药、医疗、制造、银行等行业。因此，它已成为现代工业的重要组成部分深度学习（DL）方法使用神经网络概念从大量数据中学习复杂模型。它是机器学习的一个子集，因此包括监督，无监督和强化方法。除了临床程序外，非临床技术，如ML，数据挖掘，深度学习和其他AI技术，为几种疾病的诊断，预后和治疗监测提供了大量支持。在收集的数据的帮助下感染。ML可以用来识别新的病毒，并通过世界猜测病毒的性质。预测被诊断患有病毒的患者的死亡，对病毒感染的传播进行建模ML技术可能是找到高质量预测模型的关键。与传统的预测模型相比，ML技术具有泛化能力ML技术可以分为多变量和单变量模型。多变量模型表示具有多个因变量或结果变量的统计模型。每个多变量模型都可以通过向量化模型重新表示为单变量模型。在众多ML技术中，深度学习由于适用于不同的数据集（如数字和字符）而受到更多关注。深度前馈、深度卷积网络、递归神经网络、注意力机制（Attention）和长短期记忆网络（LSTM）等深度学习模型可以用于多变量估计。本研究的局限性如下：第一，仅综述了出版物* 通讯作者。** 通讯作者。电子邮件地址：fmohammadipanah@ut.ac.ir（F. Mohammadipanah），hhsajedi@ut.ac.ir（H.Sajedi）。https://doi.org/10.1016/j.imu.2021.100526接收日期：2020年10月16日;接收日期：2021年1月19日;接受日期：2021年1月2021年1月24日在线提供2352-9148/©2021的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuM.S. Mottaqi等人医学信息学解锁23（2021）1005262这篇文章.因此，没有讨论未报告的模型。其次，由于论文的长度限制或原始出版物中未报告的细节，未对应用模型的细节进行审查。最后，根据大数据分析尚未充分发展的事实，推断分析和执行学习可能不太准确。在本文中，我们的目的是审查重要的相关工作，以调查所有方面的ML模型我们在这篇文章中对各种主题和主题进行分类的实用方法与其他可比较的评论文章相比是有利的。此外，还提供了每个应用程序和模型的摘要，内容的编写方式使生物学家更加连贯和易于理解。ML算法通常被分类为监督，无监督和强化[1]，在以下部分中进行了总结。1.1. 监督学习监督ML算法可以从过去收集的案例中学习，以预测未来的事件。该过程从分析已知数据集开始，学习算法生成抽象模型以产生预测。经过充分的培训，该系统可以满足每个新入职者的目标。在训练过程中，学习算法可以将模型的预测与预期的正确输出（从前面的案例中已知）进行比较，并找到模型的错误以提高其性能。该方法可以解决的问题分为回归和分类两类。在回归问题中，输出变量接收连续值，这些问题中的大多数都与估计或预测响应有关然而，分类问题中的输出变量是一类标签，它进一步识别数据所属的组或类[1]。1.2. 无监督学习无监督ML算法旨在建模和使用未分类和标记的信息。在无监督学习中，机器学习一个函数来表达数据的隐藏模式。无监督算法检测和学习未标记数据集内的模式。这种方法根据密度将数据分为不同的类别。使用这种方法，可以可视化高维数据。 这种类型的ML算法的一个示例是主成分分析（PCA）。K-means聚类是另一种无监督训练，其中数据被分类为相同类型的组，而无需标记[1]。1.3. 强化学习强化学习算法是通过生成动作并实现惩罚和奖励来与其环境进行通信的学习方法。这些方法允许机器/代理自发地确定特定领域中的期望行为，以提高其效率。奖励反馈被分配给机器/代理，以确定什么是最佳表现。强化学习是一种新兴且流行的ML算法，用于各种自主系统，如汽车和工业机器人。该算法试图在动态环境中得出结果[2]。2. ML在SARS-CoV-22.1. 预防病毒传播病毒性疾病传播迅速，无法通过人工接触追踪加以控制。一个基于人工智能的智能手机接触追踪应用程序，可以保存密切接触者的记忆，并立即提醒他们任何积极的情况下，如果个人充分使用，可以帮助疫情管理[3]。在支付宝和微信平台上运行的类似应用程序已在中国部署，目的相同。应用程序的数据库获取用户信息，如他们的医疗记录，暴露历史，生活方式选择和用于跟踪目的的人的位置，通过AI算法进行分析，为每个人提供一个颜色代码（绿色，黄色或红色），以证明他们的健康状况[4]。2.2. 护理管理在这种具有挑战性的流行病期间，使用人工智能工具来提高生活质量，因此通过设计智能手机应用程序或提供相关数据存储平台来控制感染的传播是有益的。一个团队使用人工智能开发了一个应用程序，该应用程序能够识别SARS-CoV-2咳嗽和其他类型的咳嗽。该应用程序（AI 4COVID-19）已达到95.6%的准确率，可以减少普通感冒病例访问临床单位的负担[5]。在论文[6]中，引入了一个基于AI和区块链的SARS-CoV-2感染跟踪系统，作为一个需要上传测试结果的应用程序。它还可以通知当局阳性检测结果的数量，手机中的GIS将有助于跟踪感染患者。物联网（IoT）提供了一个平台，使国家公共卫生机构能够处理跨地区和国家的SARS-CoV-2每日活跃病例数等数据，以监测SARS-CoV-2大流行。此外，一些社交媒体应用程序，如Twitter和Facebook正在与机构合作，为公众提供实时更新[7]。2.3. 鉴定用于靶向疫苗的表位为了开发针对SARS-CoV-2的最有效的免疫原性疫苗，ML已被用于分析和预测疫苗开发的合适表位。为了开发稳定的多表位疫苗，人们对SARS-CoV-2的S蛋白进行了广泛的研究。研究人员使用与TLR4，TLR2和MHC受体的分子对接以及计算机克隆，密码子优化和免疫模拟来分析预测的疫苗和MHC Toll样受体（TLR）之间的稳定相互作用[8]。另一项研究使用免疫表位数据库（IEDB）、SPARKS-X服务器和PatchDock，通过免疫信息学分析和分子对接分析S蛋白，以鉴定合适的可重复表位。他们分别发现了34、29和8个线性B细胞、MHC I型和MHCII型表位[9]。另一项研究工作[10]使用了一种名为Vaxign-ML的基于监督ML的逆向疫苗学应用程序来预测SARS-CoV-2疫苗候选物。他们的研究将六种病毒蛋白描述为粘附性蛋白。他们研究了nsp3，尽管刺突蛋白经常被研究。计算nsp 3分别包含28和42个MHC-I型和MHC-II型（T细胞）表位，并且在蛋白质表面上具有线性B细胞表位。表1概述了旨在预防SARS-CoV-2感染的应用AI模型。3. ML在SARS-CoV-23.1. 诊断和患者筛查在受疫情影响的地区，阳性医学成像措施和阴性RT-PCR可能是COVID-19的显著迹象[11]。AI可用于SARS-CoV-2感染的快速检测。如果感染检测速度加快，将使医疗保健专业人员有更好的机会控制大流行。受试者工作特征（ROC）曲线下面积（AUC）是一个测试框架可以如何很好地分类两个示范性的M.S. Mottaqi等人医学信息学解锁23（2021）1005263表1应用新型AI模型预防SARS-CoV-2感染的概述特异性准确性、灵敏度和特异性分别为90.8%、84%和93% [17]。另一组研究人员提出了一种基于DL的方法，使用“VB。Net”神经网络（NN）对CT图像中的SARS-CoV-2肺部感染区域进行分割和量化。训练集包括249名患者的数据文件，并且该模型在验证集上实现了0.916的Dice相似系数 [18]。3.1.2. 基于X线的SARS-CoV-2患者克隆、密码子优化和免疫模拟分子对接计算机模拟免疫信息学分析研制稳定的多表位疫苗识别合适的可识别选定表位的世界人口覆盖率为95.78%模型使用ProSA[八]《中国日报》[9]第一章根据其可用性和低成本，胸部X射线（CXR）可用于检测SARS-CoV-2感染。一项研究开发了一种名为CovidGAN的基于ACGAN的模型，作为生成合成CXR图像的方法，以提高CNN在检测感染方面的性能。应用该模型，使用CNN的分类准确率从85%提高到95%[19]。建立了一种基于DL的CNN（VGG 16）模型，用于SARS冠状病毒2型（SARS-CoV-2）的CXR检测。模型经过训练Vaxign-ML ML表位预测SARS-CoV-2候选疫苗服务器五监督ML采用分类算法[10个国家]有1000张病人的CXR图像。他们从Kaggle数据库中获得了128张X射线图像，并应用增强技术生成了一个更大的数据集。上述模型的F-测量值为95Mohammed等人创建了一个基于MCDM方法的决策矩阵（DM），该方法结合了12个不同的机器学习SARS-CoV-2诊断模型和10个评估标准，组测试的灵敏度显示了测试在准确识别患者方面的有效性。它的特异性也表明了测试的点不准确地识别那些没有疾病[12]。一个基于ML的模型使用人工神经网络（ANN），随机森林（RF）和浅层学习，仅根据感染早期的全血细胞计数来识别SARS-CoV-2患者。研究小组使用了巴西两家医院SARS-CoV-2患者的标准全血细胞计数数据集。他们开发的独立模型的预测AUC高达0.86[13 ]第10段。在SARS-CoV-2感染的基于AI的成像处理领域有大量文章。在本文中，只有一些重要的模型，具有较高的检测精度进行了调查。3.1.1. 基于CT的SARS-CoV-2患者由于放射科医生分析CT等医学图像的时间有限，因此提出了各种人工智能模型和算法，如CNN和SVM，以快速筛选患者开发了一种基于人工智能的模型，应用CNN和传统的ML方法，如SVM，RF和多层感知器（MLP），通过胸部CT图像分析并结合临床特征，实验室检查和暴露史快速诊断SARS-CoV-2患者。CNN和ML方法分别用于诊断和分类目的。由279例患者组成的测试集中模型的AUC为0.92。该模型达到了与高级放射科医生相同的灵敏度[14]。CNN是一种基于DL的模型，经常用于研究视觉图像。提出了一种用大数据集训练的CNN模型，通过快速分析CT图像来识别SARS-CoV-2患者。开发模型的灵敏度、特异性和AUC分别为90%、96%和0.977[15]。一个名为COVID-19检测神经网络（COVNet）的基于DL的系统被先进地用于可视化分析胸部CT图像，以在多中心研究中检测感染。的敏感性和特异性 模型在识别测试集中的感染分别为90%（127个中的114个）和96%（307个中的294个），AUC为0.96[16 ]第10段。采用DL算法和分类方法的组合，例如在图像中以建立的分辨率对几种作物执行3D分类的混合方法，使用1280名国际患者的训练集，通过识别壁肺实质，通过CT图像对SARS-CoV-2患者进行分类。该模型实现了根据评价标准，TOPSIS法（与理想解相似排序法）和熵法.本文的评价标准是精确度、准确度、召回率、AUC点、时间消耗和四个二元分类错误（TF、TN、FP和FN）。分析使用了50张X射线图像。 根据本发明中描述和使用的几个等式，在上述研究中，每种方法都计算了三个符号，包括Si-，Si*和Ci*，它们代表模型对最差效率，模型接近最佳效率， 和接近系数。因此，SVM（线性）分类器表现出最佳性能，Ci * 值为0.9899，其次是朴素贝叶斯（NB），Ci* 值为0.9840，径向基函数网络（RBF），Ci * 值为0.9838 [21]。3.2. 预测感染通过使用ML和AI，可以预测每个人感染SARS-CoV-2的概率及其传播速率世界各地的阳性病例和康复人数也可以使用人工智能模型进行预测。LSTM是一种具有反馈连接的常规RNN方法，它是一种有用的分类，分析和预测技术。自然语言处理（NLP）也可以通过收集与预防和传播地区新闻中的病毒相关的信息来帮助预测。结合LSTM和NLP，开发了一种增强的易感染（ISI）方法，用于准确预测SARS-CoV-2的感染率。他们使用了文本数据和来自疾病控制中心（CDC）的每日感染病例数。此外，该混合AI模型描述了病毒在体内感染开始后3-8天内的传播率更高[ 22 ]。支持向量回归（SVR）中的一种算法，适用于分类和回归的挑战.介绍了一种新的支持向量回归（SVR）方法，用于分析SARS-CoV-2疫情。该技术预测美国阳性病例数、活动病例数、发现病例数和新发现病例数的准确率分别为99.47%、99.46%、98.54%和92.1%。根据皮尔森的分析，他们注意到，随着米兰市湿度的下降，感染病例的数量也在上升[ 23 ]。一组研究人员使用基于ML的模型（RS-SVM和Bayesian Ridge），使用约翰霍普金斯中心的实时患者数据集预测了SARS-CoV-2大流行的传播和规模。数据包括每个地区的症状和病例数。对阳性病例数的增长进行了预测，阳性率为85%方法类型分析目的性能参考CNNDLSARS-CoV-2的鉴定咳嗽，其他种类的96%灵敏度和95%[五]《中国日报》M.S. Mottaqi等人医学信息学解锁23（2021）1005264精度他们还使用了递归神经网络（RNN），它保存了已经计算的数据，以计算每个国家的恢复率和死亡率，总体准确率约为89%。表2综述了新型人工智能模型在SARS-CoV-2感染诊断领域的应用。已经建立了三个基于ML的预测模型来估计未来十年的新增阳性病例、死亡和康复方法类型分析目的性能参考天这项研究访问了由约翰霍普金斯大学提供的GitHub存储库数据集。数据集显示了各区活跃和康复病例结果证明E× ponential Smoothing（ES）模型在预测精度方面具有较高的性能。人工神经网络、射频和浅学习ML和DL识别SARS-CoV-2患者仅基于完整的AUC为86%[13]线性回归（LR）和LASSO。ES是一系列用于通过早期数据进行预测的方法。LR可以识别变量之间的关系，并用于预测。LASSO是一种回归分析技术[25]。另一项研究预测，但在未来的七天里，使用LSTM，先知算法-CNN，SVM，RF和MLPML和DLSARS-CoV-2的诊断通过胸部CT图像AUC为92%，灵敏度和高级放射科医生[14个]Rithm（PA）模型和ARIMA模型。PA作为R和Python中使用的预测过程，优于其他方法。他们的模型在澳大利亚和约旦的预测准确率分别约为95%和88%[20]。利用在云计算平台上扩展的基于ML的FogBus结构，提出了一个预测模型，用于预测近期SARS-CoV-2病例的数量和结束时间 in various不同countries国家.他们使用了Our World in Data的数据集，每日更新世界卫生组织（WHO）。这支球队CNN DLCOVNet DL分析识别SARS-CoV-2通过胸部CT图像分析检测SARS-CoV-2感染AUC为97.7%，敏感性90%，特异性96%AUC为96%，灵敏度为90%，特异性为[第十五条][16个]发现逆威布尔（GIW）方法比高斯或Beta模型更适合感染数据文件。云平台将帮助我们创建一个环境，在其中机构发送他们的数据，例如每日SARS-CoV-2感染患者的数量[26]。利用韩国KCDC的SARS-CoV-2患者数据集，提出了一个采用数据挖掘的模型来预测SARS-CoV-2感染患者的再发病。该数据集包括年龄，性别以及感染确认与出院或死亡之间的天数等数据细节。使用python编程的SVM、NB、决策树（DT）、RF和LR方法DL算法的组合“VB.Net”神经网络DL对SARS-CoV-2的分类CT图像显示的患者DL SARS-CoV-2的分段和量化CT显示的肺部感染区域图像百分之九十六准确度90.8%，敏感性84%，特异性93%骰子相似系数为0.916[17个][18个国家]语言被应用。DT法准确度最高，达99.85%.该模型预测SARS-CoV-2患者的康复过程需要5 它还描述了65-85岁的患者感染后无法恢复的风险很高，而1-24岁的患者恢复得更快。随机森林（RF）作为一种ML方法，通过形成一大组决策树来处理分类或回归任务[27]。表2总结了SARS-CoV-2诊断领域中采用的新AI模型。CovidGAN DL生成合成CXR图像以提升CNN检测感染VGG 16 DL鉴定SARS-CoV-2CXR影像患者CNN分类准确率提高到95%F值为95[19个][20个]4. ML在SARS-CoV-24.1. 传播格局ISI，LSTM，和NLPDL预测SARS-CoV-2病毒感染率ISI+ NLP+LSTM实现了比任何其他模型更精确的预测[22日]通过在预测建模中利用人工智能，研究人员可以预测SARS-CoV-2病毒的传播模式及其在地区、州和国家之间的传播。一个研究小组提出了一个基于代理（ABM）的计算模拟模型（AceMod），以研究SARS-CoV-2的大流行特性，预测阳性病例数、活动病例数、恢复数和新发现病例数总体超过92%[23日]澳大利亚 该模型对实时流行曲线进行了验证。他们考虑了年龄因素，并采取了各种策略，如限制国际旅行，病人隔离和隔离，RS-SVM，ML贝叶斯岭，以及美国的病例数预测准确度85%[24日]干预感染。他们发现关闭学校只是推迟了疫情的高峰期此外，90%的合规性 水平 （cl） 的 社会保持距离 （SD） 将 控制RNN DL阳性病例预测康复率和死亡率准确率89%[24日]澳大利亚的病毒流行在13周内，而不到70%的ES、LR和回归为每个国家ES车型[25日]疫情控制不力[28]。Hosseini等人提出了一种新的SARS-CoV-2优化算法（CVA），该算法模拟了SARS-CoV-2感染在多个国家的传播。在这一模型中，传播过程对任何国家都是不同的，根据其社会行为和活动。在模拟的感染分布过程中，有活动病例和无法传播病毒的已关闭病例[29]。广泛的模拟，Lasso估计分析未来10天内新出现的阳性病例、死亡病例和康复病例的数量实现了更高的性能（接下页）M.S. Mottaqi等人医学信息学解锁23（2021）1005265表2（续）从意大利SARS-CoV-2肺部超声数据库（ICLUS-DB）中查找图像中的伪影[36]。根据Viterbi算法和隐马尔可夫模型，设计了一个自动检测和定位图像中胸膜线的程序，并利用支持向量机对每幅图像设置评分值，以评估病变的严重程度。他们使用了ICLUS-DB中的58个视频作为测试集。线性探头和凸形探头对胸膜探测的准确率分别为94%和84%。在此外，支持向量机模型SVM、NB、DT、MLRF和LR天预测受感染病人的康复机会DT的准确率达到99.85%[27日]凸形探针分别为94%和88%[37]。白和他的同事们发现，许多轻微的SARS-CoV-2患者的健康状况在短时间内突然恶化，他们的病情恶化为更严重的病例。他们使用MLP和LSTM开发了一种基于DL的模型来预测恶性进展优化问题描述了该CVA模型优于卡诺爆发算法（VEA）[30]和灰狼优化器（GWO）[31]。通过应用RF方法作为回归量来预测标准化死亡率比（SMR）和标准化阳性率比（SPR），以及典型相关分析（CCA），对意大利民防数据库中收集的流行病学数据进行分析，发现在各种因素中，空气污染和细颗粒物（PM2.5）污染物水平与意大利的SARS-CoV-2传染性和死亡率相关。根据参考文献[32]，空气污染上升5-10%将导致21-32%的新病例，最终导致4-14%的死亡。4.2. 预测疾病ML算法可以分析SARS- CoV-2感染的进展和严重程度。如果一个处于危急健康状态的病人在入院时被立即识别出来，她/他可以立即接受适当的治疗。使用基于LDH、淋巴细胞和hs-CRP三种生物标志物的ML模型，可以提前十多天估计单个SARS-CoV-2患者的死亡概率。这种预测方法可以帮助发现高风险病例和早期干预。该模型名为XGBoost，使用485名患者的数据集，准确率超过90%[33]。根据患者入院时的临床症状，建立了基于DL的SurvivalCOX模型，该模型能有效识别SARS-CoV-2患者的危重病风险。使用LASSO算法确定了10个危险特征，如医学图像异常、合并症数量和年龄。这种在线计算工具将确保面临重大风险的患者尽快获得适当的护理。该模型在涉及来自575家医疗中心的1590例中国患者信息的内部验证集上的一致性指数（C指数）和AUC已经开发了一种应用预测分析、SVM和决策树算法的基于ML的模型，以基于临床特征（如丙氨酸氨基转移酶（ALT）水平中度升高、肌痛 的 存 在 ） 识 别 具 有 发 展 更 严 重 疾 病 （ 如 急 性 呼 吸 窘 迫 综 合征（ARDS））潜力的SARS-CoV- 2患者。（肌肉疼痛）和入院时血红蛋白水平升高。他们使用了两家医院的53名中国SARS-CoV-2患者的病历。这种方法的准确率约为70- 80%，并且可以使用更多的数据来训练[ 35 ]。一个源于空间Transformer网络（SPOT）并应用多种人工智能方法的深度网络被开发出来，通过为每个人分配基于帧和基于视频的分数来预测SARS-CoV-2感染的严重程度，并通过自动评估肺部超声（LUS）图像来识别包含病理伪影的区域。他们开发了这个模型，使用的是277 LUS视频在感染性患者中使用他们的CT图像的分析。他们获得的最佳预测AUC为0.954 [38]。表3总结了监测SARS-CoV-2领域采用5. ML在SARS-CoV-25.1. 重新利用现有药物考虑到从发现到第三阶段临床试验需要4-6年，重新利用现有药物是治疗新出现的病毒或细菌感染的最快反应。因此，迫切需要使用基于人工智能的模型来快速识别治疗SARS-CoV-2感染患者的潜在有用药物。项目标识人工智能是一种基于神经网络的模型，其开发目的是根据药物作用机制之间的相关性快速找到有效的药物组合，其有效剂量用于体内最佳药物协同作用和安全性，不需要大数据来训练[39]。一个研究小组利用基于AI的BenevolentAI，结合来自非结构化和结构化权威机构的生物医学数据来检查SARS-CoV-2的认证药物，并建议将“Bar- icitinib” 作为 AAK 1 蛋白 的抑制 剂[40] 。在 参考文 献[41] 中，BenevolentAI基于AI的知识图被用于探索已批准的药物，以识别具有抗病毒和抗炎特性的药物以及可以阻止病毒进入细胞的药物。在MOGON II超级计算机的帮助下，虚拟药物筛选，ML算法和分子对接的组合用于搜索FDA批准的候选药物和天然物质，可能抑制SARS-CoV-2。选择三种蛋白质作为靶标，包括S蛋白、N蛋白和2′-O-核糖甲基转移酶[42]。另一篇论文开发了一种基于DL的药物靶向通信系统，称为MT-DTI的定量模型，以基于其结合亲和力的评分来区分可与SARS-CoV-2病毒的蛋白质（例如3C样蛋白酶和解旋酶）相互作用的可获得药物[43]。使用深度神经网络开发了一个基于AI的模型来识别可用的药物，这些药物可以通过抑制病毒的主要蛋白酶来治疗SARS-CoV-2。猫冠状病毒（FCoV）体外试验的结果再次应用于AI系统，以增强模型[44]。Zhang等人通过分析RNA串设计了SARS-CoV-2的3C样蛋白酶的3D模型。此外，他们开发了一种基于DL的模型，称为基于神经网络的密集全卷积神经网络（DFCNN），用于虚拟药物筛选，并额外使用同源建模来寻找与该蛋白酶相互作用的合适药物和化合物[45]。在另一项研究中，研究人员收集了考虑65种人类蛋白质的分析数据，这些蛋白质被指出与SARS- CoV-2的病毒蛋白质相互作用。他们使用组合SVM模型，应用平均绝对误差（MAE）和R来预测FDA批准的对蛋白质具有抑制活性的药物。并对预测药物的蒸气压和毒性进行了评价。他们创建了一个预测药物的网络，方法类型分析目的性能参考PA预测估计精度[20个]分析批新95%和88%，阳性病例，澳大利亚和死亡和乔丹，回收超过分别未来七M.S. Mottaqi等人医学信息学解锁23（2021）1005266表3综述了SARS-CoV-2监测领域中采用的新型AI模型。 未具体说明。使用ML技术和分子模拟来预测，以帮助理解病毒的发病机制及其药物设计。在Heo等人领导的一项研究中，10种蛋白质的3D结构方法类型分析目的性能参考模拟SARS-CoV-2基因组。他们使用了一种名为trRosetta的ML方法，通过应用残基间连接预测，AceMod基于Agent的模型（ABM）调查SARS-CoV-2大流行病的特性[第28话]通过增强CASP13中采用的协议，基于分子动力学（MD）模拟的处理[49]。分子动力学是一种评价原子物理活性的计算机模拟方法和分子。他们分析了这个模型与其他手头的模型，CVA优化器澳大利亚表现出更多[29日]声明他们的模型提供了更全面的序列模仿SARS的传播算法CoV-2感染在几个国家SARS- CoV-2感染性空气污染因素的研究XGBoost ML研究单个SARS-CoV-2患者效率高于VEA、GWO和粒子群算法在几个优化问题SMR精度高（R^2= 0.95RMSE=28.9）和SPR（R^2= 0.93和RMSE= 20.3）值准确率超过90%10个新[33个][50]第51话：SARS-CoV-2的关键蛋白酶称为Mpro。研究人员利用了最近关于这种蛋白质结构的研究。他们应用基于AI的模型，整合DL和ML的方法，以PDB格式发布了10个理想的Mpro 3D设计，并开发了与这种蛋白酶相互作用的独特的有前途的物质。他们使用基于口袋和基于配体的两个概念来开发新的分子构象。他们还应用了28种不同的ML模型进行结构预测，并根据强化学习中的奖励函数进一步优化结构，以获得最佳分数[52]。基于DL的（CNN）模型已被引入到估计SARS-CoV-2的亚细胞病毒蛋白的定位。该模型的区域准确率在98%以上，能有效地发现各种-生存钴XDL鉴定SARS-CoV-2有发展风险的患者AUC为91.1%，C指数为89.4%[34个]针对病毒感染的靶向药物[53]。5.3. 药物开发SVM和DT ML重症识别SARS-CoV-2有潜力发展更多的患者危疾准确度70-80%[35]第三十五届在开发治疗新出现的SARS-CoV-2病毒的药物时，时间是一个关键因素。机器学习和人工智能可以通过加快药物开发和临床试验的步伐来为我们带来好处。研究人员使用了一个基于DL的模型，SARS-CoV-2严重程度的预测LUS图像感染完整模型的F1得分为65.1，分割模型的piX[三十六]平方误差（RMSE）和MAE均方误差（MSE）度量，用于虚拟评估和MD模拟，以识别抑制病毒Mpro的天然物质，从而提出了在1611种物质中，Sauchinone和Palmatine是潜在的有效化合物基于MMPBSA方法，这些化合物进一步显示出有希望的结果，该方法预测了复合物维特比算法、隐马尔可夫方法和支持向量机MLP和LSTMML评估LUS图像显示的感染病理利用CT图像数据预测感染性疾病的恶性精度线性和凸形探头的胸膜检测率为94%，百分之八十四AUC分别为95.4%[37个][38个]Ton等人建立了一个新的基于DL的模型，称为Deep Docking，它促进了对ZINC 15库中13亿种物质的基于结构的虚拟评估，以识别与病毒Mpro相互作用的合适物质。他们从Glide SP中确定了1000种得分最高的物质。已识别物质的分子结构可公开访问[55]。另一篇论文开发了一个程序，通过应用虚拟评价、基于结构的药物设计、高通量评价和基于抗病毒细胞的SARS-CoV-2 Mpro分析来鉴定用于治疗SARS-CoV-2的万分之一药理学物质，六种化合物证明了患者人类蛋白质[46]。表4提供了人工智能预测的抑制SARS-CoV-2感染的有效性的药物的总结。从该表中可以看出，AI已经提出了几种合适的药物再利用候选物来对抗SARS-CoV-2感染。在这方面，采用了各种ML和DL模型，如RBF、SVM、NB和DNN，以及同源性建模、分子动力学模拟和体外抗病毒测定。因此，这些预测可能有利于研究人员和生物技术公司，降低他们的研究成本。5.2. 病毒蛋白构象预测SARS-CoV-2病毒蛋白的许多3D结构具有抑制Mpro，和一个（Ebselen）在FRET测定中显示出突出的结果[56]。图1显示了重新利用的药物和化合物，其对SARS-CoV-2的抑制作用在AI建模中被预测，并且由于使用ML方法的计算机模拟如该图所示，这些AI预测化合物中的每一种在体外测定中均显示出对SARS-CoV-2的抑制作用。因此，可以考虑评估感染的候选药物。在这个时代，数据的共享和可用性对于加速确定疾病的最佳治疗方法至关重要[57]。在最近的相关出版物中，通过人工智能预测其抑制SARS-CoV-2感染的效率的化合物的综述呈现在表5中。从该表中可以看出，应用各种ML和DL模型，如NB、DFCNN和同源性建模、分子对接和计算机模拟筛选来预测适当的细胞因子。M.S. Mottaqi等人医学信息学解锁23（2021）1005267表4通过人工智能预测其抑制SARS-CoV-2感染的有效性的重新使用的药物核准效力BazedoX ifene（JAK）VCP、RHOA、ABCC 1 ML（SVM和RBF）-绝经后骨质疏松症[44，46]贝达喹啉3C样蛋白酶DL（DNN），体外抗病毒试验+结核病[44]布喹那3C样蛋白酶DL（DNN），体外抗病毒试验+ 免疫抑制剂[42，44]CelecoX ib3C样蛋白酶DL（DNN），体外抗病毒试验+抗炎[43，44]氯法齐明抗病毒活性DL（DNN），体外抗病毒试验+麻风[41，44]Conivaptan核衣壳蛋白，3C样蛋白酶同源建模、分子对接、监督ML（NN和NB）、DL（DNN）和体外抗病毒测定+低钠血症[42、44、45]达拉非尼BRD 4、PSEN 2、IDE ML（SVM和RBF）-抗癌[44、46]达罗鲁米TK 2、TBK 1、VCP ML（SVM和RBF）-前列腺癌[42，46]依法韦仑3C样蛋白酶DL（MT-DTI）、ML（NLP）和AutoDock Vina-HIV [43]恩曲替尼IDE、MARK 2、VCPML（SVM和RBF）-抗癌[42，46]EtoricoX ib BRD 4，PRKACA，DCTPP 1 ML（SVM和RBF）-风湿性关节炎[43，46]Fedratinib Janus激酶（JAK）BenevolentAI-骨髓增生性疾病[41，43]更昔洛韦3C样蛋白酶，RNA依赖性RNA聚合酶同源建模，DL（DFCNN和MT-DTI）和AutoDockVina- 巨细胞病毒（CMV）感染[41、43、45]吉西他滨抗病毒活性DL（DNN），体外抗病毒试验+抗癌[42，44]Grazoprevir Spike蛋白同源性建模、AutoDock VINA、分子对接和监督ML（NN和NB）- 丙型肝炎[42，44]伊布替尼BRD 4、IDE、TK 2 ML（SVM和RBF）-B细胞癌[42，46]拉帕替尼PSEN 2、IDE、BRD 4 ML（SVM和RBF）-乳腺癌[45、46]LasofoX ifene VCP、RHOA、ABHD 12 ML（SVM和RBF）-骨质疏松症[44，46]来替尼BRD 2、TBK 1、MARK 2 ML（SVM和RBF）-抗癌[42，46]Lifitegrast ITGB 1、BRD 4、PTGES 2 ML（SVM和RBF）-干眼症[44、46]洛匹那韦/利托那韦RNA解旋酶识别：AI、DL（MT-DTI）、ML（NLP和NB）和AutoDock Vina- 艾滋病毒[43，45，47，第四十八章】鲁玛卡托IMPDH 2、EIF 4 H、BRD 2 ML（SVM和RBF）-囊性纤维化[45，46]米多鲁肽治疗TBK 1、BRD 2、MARK 3 ML（SVM和RBF）-急性髓性白血病（AML）[45，46]帕利匹韦刺突蛋白，2′-o-核糖甲基转移同源建模、AutoDock VINA、分子对接和监督ML（NN和NB）- 丙型肝炎[42，45，47]Remdesivir 3C样蛋白酶IDentif.AI、DL（MT-DTI）、ML（NLP）和AutoDock Vina-抗病毒[42、43、48]Ribociclib PRKACA、ABCC 1、HDAC 2 ML（SVM和RBF）-乳腺癌[45、46]利托那韦3C样蛋白酶IDentif.AI、DL（MT-DTI）、ML（NLP和NB），和AutoDock Vina- 艾滋病毒[43，45，47，第四十八章】RuX olitinib Janus激酶（JAK）BenevolentAI-骨髓纤维化[41，42]Simeprevir Spike蛋白同源性建模、AutoDock VINA、分子对接和监督ML（NN和NB）丙型肝炎[42]Talazoparib CSNK 2A 2、BRD 4、BRD 2 ML（SVM和RBF）-乳腺癌[46]替米沙坦NSD 2、PRKACA、PTGES 2 ML（SVM和RBF）-高血压[46]托卡朋3C样蛋白酶DL（DNN），体外抗病毒试验+帕金森维帕他韦刺突蛋白同源性建模、AutoDock VINA、分子对接和监督ML（NN和NB）丙型肝炎[42]阿糖腺苷3C样蛋白酶同源性建模和DL（DFCNN）-抗病毒[45]维莫德吉3C样蛋白酶DL（DNN），体外抗病毒试验+基底细胞癌（BCC）[第四十四届]控制SARS-CoV-2大流行的候选药物。虽然每个出版物都采用了不同的参数和数据来预测，但如果这些预测在临床试验中显示出可接受的药效学和药代动力学特性，则这些预测在治疗感染时可能会派上用场。5.4. 预测治疗使用ML方法可以预测SARS-CoV-2感染后给药后疾病开发了一个基于AI的模型（AIMDP）来预测SARS-CoV-2患者对治疗的反应。该模型具有两个功能，包括使用胸部CT图像的诊断（DM）和预测（PM）。PM函数利用CNN通过应用Wh