University of Manitoba

New Step One Foods survey by The Harris Poll reveals a dangerous information gap as heart disease remains America's leading killer MINNEAPOLIS, Nov. 6, 2025 /PRNewswire/ -- Despite clinical evidence showing that food can lower cholesterol in just one month, and by as much as medications in some cases, most Americans — and even doctors (primary care physicians (PCPs)) — are unaware of how powerful diet can be for heart health. A new Harris Poll survey commissioned by Step One Foods, a cardiologist-created food system clinically proven in a Mayo Clinic–led trial to rapidly and meaningfully lower cholesterol through real, whole foods, exposes a critical gap in America's approach to cardiovascular care. Nearly 9 in 10 Americans (89%) believe food can be as powerful as medicine for managing heart health, yet fewer than 1 in 10 (6%) realize adults with high cholesterol can lower their cholesterol levels using diet alone in one month. The disconnect extends to the clinical side: 95% of PCPs surveyed don't know that the average adult with high cholesterol can see meaningful cholesterol reduction by incorporating and adhering to prescribed dietary changes alone in 1 month. Doctors also overestimate patients' preference for prescriptions — 63% of PCPs surveyed think most of their patients would rather take medication than make dietary changes if they needed to manage or lower their cholesterol, while only 35% of Americans said the same. Meanwhile, nearly three in four PCPs surveyed (74%) wish they had better resources to help guide their patients on which foods they should eat or avoid to manage their cholesterol. These findings highlight what preventive cardiologist Dr. Elizabeth Klodas calls "a systemic blind spot in medicine's approach to heart disease." With heart disease claiming more than 919,000 lives in 2023, according to the CDC, the findings expose a critical disconnect between research and patient care in the fight against America's most preventable killer. And as Americans prepare to turn the page on another year, understanding the quick, measurable impact of food on heart health could mean the difference between resolutions that fizzle and actions that truly save lives. "Clinical research shows that the right combination of foods can significantly lower cholesterol in just 30 days," said Dr. Klodas, founder of Step One Foods. "It's not a theory — it's a proven first step that should come before (or alongside) medication in every treatment plan." The Leading Killer — and the Least Addressed Cause Heart disease remains the number one killer in the United States. Unfortunately, according to the U.S. Department of Health and Human Services, 75% of medical schools have no required clinical nutrition classes and those that do, average less than 20 hours of instruction. The result is a system better equipped to prescribe medications than to prevent disease. Dr. Klodas, a Mayo Clinic–trained cardiologist, founded Step One Foods to change that equation. Every serving of every product is scientifically formulated to deliver clinically meaningful amounts of fiber, plant sterols, antioxidants, and omega-3s — nutrients proven to lower LDL cholesterol within 30 days in a double-blind, randomized, controlled clinical trial conducted by Mayo Clinic and the University of Manitoba. A Call to Reconnect Food and Medicine The Harris Poll results highlight a public health opportunity hiding in plain sight. By reconnecting food and medicine, experts say, the U.S. could take meaningful strides in preventing the chronic conditions that drive healthcare costs and shorten lives. "Patients want options, physicians want better tools, and the science is already here," said Dr. Klodas. "We don't need to wait for the next breakthrough drug. The most powerful intervention for heart disease prevention can already be sitting on our plates." About the Survey This survey was conducted online within the United States by The Harris Poll on behalf of Step One Foods on September 23-25, 2025 among 2,095 adults ages 18+ ("Americans") and on October 17, 2025 among 104 physicians who specialize in general/family practice or internal medicine ("PCPs"). For complete survey methodology, including credible intervals, weighting variables, and subgroup sample sizes (where applicable), please reach out to the media contact below. About Step One Foods Step One Foods offers convenient, scientifically-formulated foods clinically validated to rapidly reduce cholesterol and improve cardiometabolic health. Real food. Real results. Unapologetically delicious. Learn more at steponefoods.com . SOURCE Step One Foods 21% more press release views with Request a Demo

买科研服务（代计算、代测试、超算机时），送老李校长“科研理工男士情感课”第一性原理计算解决50年悬而未决难题：半导体中铜为何扩散更快？Ab initio及第一性原理入门参考书介绍《海贼王》告诉你，做科研为什么不能闭门造车……985博导亲测：用DeepSeek写国自然本子，3天完成30天工作量来自公众号：ScienceAI本文以传播知识为目的，如有侵权请后台联系我们，我们将在第一时间删除。编辑丨coisini药物研发往往是一个筛选、修饰化学分子并将其开发为治疗制剂的过程。发现靶向疾病潜在候选药物的关键在于：识别出能与疾病相关靶蛋白相互作用并结合的化合物，从而理解其治疗效应。因此理解化合物 - 蛋白质相互作用对于早期药物研发至关重要。通过实验鉴定化合物 - 蛋白质相互作用（CPI）通常成本高昂且耗时，因此学界开发了计算机模拟预测方法来优化发现流程，包括分子对接和分子动力学模拟。分子对接通过估算化合物与靶蛋白的结合亲和力来研究 CPI；分子动力学模拟则通过模拟分子随时间运动来解析动态相互作用。但这些方法存在固有局限：从大型化合物库中筛选候选药物时计算资源消耗巨大，且依赖高质量分子结构作为输入 —— 这对于缺乏实验验证结构的分子构成显著挑战，从而限制了这些计算机方法在大规模分子库中筛选目标 CPI 及鉴定候选药物的实用性。近期，来自曼尼托巴大学（University of Manitoba）等机构的研究者提出了一种专为 CPI 预测设计的归纳式模型 GraphBAN，可处理二分网络输入，实现域内 / 跨域测试集的转导与归纳链接预测。研究论文以《GraphBAN: An inductive graph-based approach for enhanced prediction of compound-protein interactions》为题发表在《Nature Communications》上。论文地址：https://www.nature.com/articles/s41467-025-57536-9GraphBAN 简介GraphBAN 采用知识蒸馏（KD）架构：教师模块（teacher block）通过图自编码器（Graph Autoencoder，GAE）学习网络拓扑特征以处理链接未知的数据集，并通过 KD 损失函数将知识迁移至学生模块（student block），确保从化合物 / 蛋白质初始特征中有效学习模式（pattern）。如图 1a 所示，GraphBAN 接收 SMILES 格式的化合物与氨基酸序列的蛋白质，构建以化合物 / 蛋白质为节点、活性相互作用为边的二分网络（含节点特征）。图 1：GraphBAN 架构（来源：论文）如图 1b 所示，化合物与蛋白质的特征是通过融合四种不同方法（两种针对化合物，两种针对蛋白质）生成的：化合物特征采用结构图卷积网络（GCN）与预训练 LLM——ChemBERTa；蛋白质特征通过 CNN 层与 ESM 进行提取，随后提取教师模块中的网络结构特征，并将这些知识蒸馏到学生模块中。  学生模块通过双线性注意力网络（BAN）学习节点特征的联合表征及编码后的局部相互作用，最终引入条件域对抗网络（CDAN）模块（图 1c），增强模型处理跨域化合物 - 蛋白质对的能力。GraphBAN 通过二元分类（活性 / 非活性）判定相互作用，这种模式对生物医药应用至关重要。正如论文第一作者 Hamid Hadipour 所说：「药物研发中一个行之有效的方法是锁定在疾病中起关键作用或帮助有害微生物存活的蛋白质。若能通过合适的小分子靶向这些蛋白质，我们就能阻断疾病发展进程。」实验验证为了验证 GraphBAN 在药物发现实际场景中的实用性，该研究聚焦于一种参与细胞周期调控、发育及信号通路等多种关键细胞进程的必需酶 —— 肽基脯氨酰顺反式异构酶 NIMA 相互作用蛋白 1（Pin1）。鉴于 Pin1 在细胞周期中的核心作用，它已成为各类癌症治疗的重要靶点。为预测与 Pin1 相互作用的化合物，该研究使用 ZINC-250K 数据集中的约 25 万种化合物，通过 GraphBAN 模型筛选潜在结合化合物。由于 ZINC-Pin1 数据集缺乏 CPI 标注值，因此模型采用归纳推理方式预测相互作用。  GraphBAN 通过无监督域适应模块，在 ZINC-Pin1 数据集无 CPI 标注的条件下实现了 CPI 预测。具体来说，该研究选用三个高质量训练数据集（BioSNAP、BindingDB 和 KIBA），同时排除小规模数据集以规避欠拟合风险。如图 2 所示，经过训练并部署 Pin1 与 ZINC 化合物配对预测后，GraphBAN 识别出 134 种与 Pin1 相互作用概率高于 0.5 的化合物。图 2：过滤和可视化 Pin1 结合位点（来源：论文）总的来说，GraphBAN 能有效处理未知节点的归纳式链接预测，为完全未知的化合物与蛋白质之间相互作用的预测提供了稳健解决方案，从而突破了传统方法仅适用于已知场景的局限。相关报道：https://phys.org/news/2025-04-graphban-drug-discovery-faster-artificial.html

DRUGAI今天为大家介绍的是来自曼尼托巴大学计算机科学系的Pingzhao Hu教授与微生物学系的Silvia T. Cardona教授团队发表的一篇论文。在早期药物研发中，了解化合物与蛋白质之间的相互作用至关重要，这有助于我们理解分子作用机制并发现潜在的治疗效果。GraphBAN是一个基于图的框架（Graph-based Framework），该框架采用归纳式方法，能够处理未知节点的链接预测，突破了传统方法只能在已知环境下工作的限制。GraphBAN采用教师-学生模型进行知识蒸馏，其中教师模块利用网络结构信息，学生模块专注于节点属性。该框架还包含领域适应模块（Domain Adaptation Module），提高了跨数据集的效果。在5个基准数据集的实验中，GraphBAN的表现超过了10个基线模型，并在Pin1蛋白质的案例研究中证明了其在实际应用中的有效性。新药研发过程中，了解化合物与蛋白质之间的相互作用至关重要。传统的实验方法往往耗时费力，因此科学家们开发了计算机辅助的预测方法。早期的计算方法主要包括分子对接和分子动力学模拟，这些方法可以预测化合物与蛋白质的结合能力，并模拟它们之间的动态互动。但这些方法存在明显短板：不仅需要强大的计算资源，还依赖高质量的分子结构数据，而这些数据并不总是现成可用的。随着人工智能技术的发展，机器学习和深度学习为解决这一难题提供了新思路。这些方法主要在两个方面实现了突破：首先是数据处理方式的创新，可以同时处理网络结构数据（如化合物-蛋白质相互作用网络）和表格数据；其次是提高了模型的泛化能力，使其不仅能处理与训练数据相似的情况（域内分析），还能应对全新的、差异较大的数据（跨域分析）。针对现有方法的不足，研究团队开发了GraphBAN 模型。GraphBAN 模型采用知识蒸馏（Knowledge Distillation）架构，包含教师和学生两个模块。教师模块使用图自编码器（Graph Autoencoder, GAE）处理网络属性，学生模块则通过知识蒸馏损失函数学习化合物和蛋白质的初始特征。该模型整合了大语言模型（LLM）和卷积神经网络（CNN）进行特征表示，并使用双线性注意力网络（Bilinear Attention Network, BAN）模块和跨域适应模块来提高预测准确性。模型架构图 1GraphBAN是一个创新的人工智能框架，其核心架构如图1a所示。该框架能够分析化合物和蛋白质的特征，预测它们之间的相互作用。具体来说，它首先将化合物的分子结构信息和蛋白质的氨基酸序列转换为一个特殊的网络结构，在这个网络中，化合物和蛋白质被表示为节点，它们之间的相互作用则用连接线表示。如图1b所示，该框架采用了多重特征提取方法：对于化合物，它既利用图神经网络分析分子结构，又使用专门的化学语言模型（ChemBERTa）理解分子特征；对于蛋白质，则结合了深度学习（CNN）和进化尺度模型（ESM）来提取特征。此外，如图1c所示，框架还包含了一个特殊的域适应模块，这使得模型能够更好地处理不同类型的数据。为了验证模型的实用性，研究团队在五个权威数据集上进行了全面测试。这些数据集包含了大量已知的化合物-蛋白质相互作用信息。测试采用了特殊的评估策略：将数据分为两部分，60%用于模型训练（称为源域），40%用于测试模型对新数据的预测能力（称为目标域）。通过多项专业指标的评估，包括预测准确率和召回率等，确保了评估结果的可靠性。每个实验重复进行了5次，以确保结果的稳定性。实验结果研究团队首先在多个公开数据集上测试了GraphBAN的性能。GraphBAN在所有测试数据集上都取得了优异成绩，显著超越了现有的顶尖模型（见原文表1）。特别是在BioSNAP数据集上，模型的预测准确率比此前最好的模型提高了将近10%。有趣的是，研究发现模型在不同数据集上的表现存在差异。例如，在规模较小的C.elegans数据集上，模型表现特别出色，这可能是因为小型数据集中的模式更容易识别。而在KIBA数据集上，由于活性和非活性样本数量差异较大，模型的某些评估指标相对较低。表 2为了深入理解GraphBAN的成功原因，研究团队进行了详细的模块分析实验（如表2所示）。他们通过逐个移除或添加模型的关键组件，观察每个部分对整体性能的贡献。实验结果令人振奋：特征融合模块能提升预测准确率约5%，注意力网络和域适应模块的组合可以带来接近10%的提升，而教师模块的作用更是显著，能够提高6-9%的性能。这些结果证明，GraphBAN的每个组件都发挥着重要作用，它们的协同效应使得模型能够更准确地预测化合物和蛋白质之间的相互作用。对于Pin1蛋白质的案例研究为了验证GraphBAN在实际药物研发中的应用价值，研究团队选择了一个重要的研究目标：Pin1蛋白质。这种蛋白质在细胞周期调节等多个重要生物过程中发挥关键作用，特别是在多种癌症的发展中起着重要作用，因此它是癌症治疗药物开发的重要靶点。图 2研究团队使用GraphBAN模型对约25万个候选化合物进行了大规模筛选。如图2所示，筛选过程分为多个步骤：首先，模型从所有候选化合物中识别出134个可能与Pin1发生相互作用的化合物。接着，研究人员通过多重筛选标准进一步缩小范围：首先排除了10个具有不良化学性质的化合物，然后使用人工智能平台ADMET-AI评估剩余化合物的药物特性，包括其在人体内的吸收、分布、代谢、排泄和毒性。最终，研究确定了9个最具潜力的候选化合物。在这9个候选化合物中，研究团队重点分析了两个药物性最好的化合物。如图2b-e所示，这两个化合物都能很好地与Pin1蛋白质结合。更重要的是，当研究人员将这两个化合物与已知的Pin1抑制剂进行比较时，发现它们具有相似的化学特征，这意味着这些新发现的化合物可能具有类似的治疗效果。这一发现不仅证实了GraphBAN模型的可靠性，也为开发新的抗癌药物提供了有价值的候选物。讨论文章讨论了GraphBAN模型在药物发现领域的应用和挑战。尽管面临数据集多样性和生物变异性等挑战，但通过知识蒸馏、双线性注意力网络和条件域对抗网络等创新模块，该模型展现出优异的预测能力。在Pin1蛋白质的案例研究中，模型成功从25万个候选化合物中筛选出潜在的抑制剂。未来，通过整合增量学习算法和多模态数据，模型的性能有望进一步提升。编译|于洲审稿|王梓旭参考资料Hadipour H, Li Y Y, Sun Y, et al. GraphBAN: An inductive graph-based approach for enhanced prediction of compound-protein interactions[J]. Nature Communications, 2025, 16(1): 2541.