为了发现遗传性疾病的新疗法，科学家需要全面了解先前的文献，以确定最佳的基因/蛋白质靶标和最有希望测试的药物。然而，生物医学文献正在以爆炸性的速度增长，并且经常包含相互矛盾的信息，使得研究人员进行完整而彻底的审查变得越来越耗时。

　　为了应对这一挑战，医学博士/博士研究生Cole Deisseroth进行了研究。计划并由博士指导。德克萨斯儿童医院和贝勒医学院Jan and Duncan神经学研究所 (Duncan NRI) 的 Huda Zoghbi 和 Zhandong Liu 领导了一项研究，旨在生成一种名为 PARsing ModifiErS via Article aNnotations (PARMESAN) 的自然语言处理(NLP)工具。

　　这个新工具可以搜索最新信息，将其组装成中央知识库，甚至预测可以纠正特定蛋白质失衡的可能药物。该工具及其功能的描述最近发表在《美国人类遗传学杂志》上。

　　“帕尔马干酪为科学家提供了一个绝佳的机会，可以加快他们的研究步伐，从而加速药物的发现和开发，”霍华德休斯医学研究所研究员、邓肯国家研究所的创始主任和杰出服务教授胡达·佐格比 (Huda Zoghbi) 博士说在贝勒学院，补充道。

　　这种人工智能(AI) 驱动的工具扫描公共生物医学文献数据库(PubMed 和 PubMed Central)，以识别基因-基因和药物-基因调控关系的描述并对其进行排名。然而，PARMESAN 的特别突出之处在于它能够利用精选信息来预测未被发现的关系。

　　“PARMESAN 的独特之处在于，它不仅根据现有文献识别现有的基因-基因或药物-基因相互作用，而且还通过为每个预测分配基于证据的评分来预测假定的新型药物-基因关系，”詹东博士德克萨斯儿童医院计算科学主任、贝勒医学院副教授刘指出。

　　PARMESAN 的人工智能算法分析描述多步遗传途径中各个参与者的贡献的研究。然后，它为每个报告的交互分配一个加权数字分数。文献中一致且频繁报道的相互作用得分较高，而不同研究之间支持较弱或相互矛盾的相互作用得分较低。

　　PARMESAN目前提供超过18,000个目标基因的预​​测，基准研究表明最高得分的预测准确率超过95%。

　　Cole Deisseroth说：“通过查明最有前途的基因和药物相互作用，该工具将使研究人员能够更快、更准确地识别最有前途的药物。”