尽管分子生物学、遗传学、计算和药物化学领域已经取得了一定进展，但传染病仍然对公共卫生构成严重威胁。为了应对病原体爆发、大流行和抗生素耐药性所带来的挑战，需要跨学科协同努力。通过系统生物学和合成生物学相结合，人工智能（AI）正在快速发展，其拓展了抗感染药物的研发，增强了我们对感染生物学的理解，并加速诊断工具的开发。在这篇综述中，作者讨论了如何检测、治疗、解读传染病，强调了每个案例在AI的支持下所取得的进展。作者还畅想了AI的未来应用，并探讨了如何利用它来帮助控制传染病爆发和大流行。

亮点：本综述首次系统、全面、客观地总结和剖析了AI在对抗传染病中的三大应用领域（AI与抗感染药物发现、AI与感染生物学及感染背景问题研究、AI与传染病诊断）的进展，以及其局限性和未来发展方向，为后续研究提供了充分的背景和思路。

细菌、真核生物和病毒病原体会感染各种不同的宿主并触发复杂的宿主反应。病原体载量、宿主免疫力、治疗措施以及其他因素都会影响感染的进程。监督学习模型已经被用于分析结构化和非结构化的核酸、蛋白质、糖蛋白以及细胞表型的数据集，以识别与宿主-病原体相互作用和宿主免疫反应相关的关键特征和分子网络。各种监督学习和无监督学习模型，包括随机森林分类器和复杂的语言模型（专门设计用于理解或生成文本的模型），已经被应用于识别与宿主细胞变化相关的基因、蛋白质相互作用；预测免疫原性；评估病原体的杀伤力、宿主细胞的适应程度和病原体的毒力（图2A）。此外，通过优化基因表达以及抗体的预测和选择，监督学习模型也被用于指导疫苗开发（图2B）以及设计治疗策略（图2C）。

▲Fig. 2. AI can elucidate infection biology, facilitate vaccine design, and inform treatment strategies.

COVID-19的大流行警示我们，迅速准确地检测出病原体仍然是控制传染病传播的关键。近年来，在人工智能与合成生物学、基因表达分析、质谱和成像等领域的结合方面取得了重要进展，这大大扩展了我们检测感染和预测药物耐药性的能力。机器学习非常适合用于催化基于合成生物学的诊断，原因包括生物元素的高可编码性，大规模或基于序列的数据集的日常化产生，以及机器学习从疾病生物学的生物分子网络中提取有意义信息的能力（图3A）。此外，机器学习还被用于基于基因表达、质谱分析或成像的诊断（图3B）。

▲Fig. 3. AI can facilitate synthetic biology research and diagnostics development.

在未来，AI将利用更多可用的科学信息来处理有限或低质量的数据，具体的方法包括少样本学习和多任务模型。此外，可解释性和生成式机器学习方法将带来特异性的生物学假说和见解。作者预计AI将继续赋予我们设计下一代药物、疫苗和诊断工具的能力，以更有力地对抗传染病。