En ny maskinlæringsmodel kan screene nye lægemiddelforbindelser for præcist at forudsige effektivitet hos mennesker

En ny maskinlæringsmodel kan screene nye lægemiddelforbindelser for præcist at forudsige effektivitet hos mennesker

Rejsen mellem identifikation af et potentielt terapeutisk middel og godkendelse af et nyt lægemiddel af Food and Drug Administration kan tage godt over et årti og koste mere end en milliard dollars. Et forskerhold ved CUNY Graduate Center har udviklet en kunstig intelligens-model, der væsentligt kan forbedre nøjagtigheden og reducere tiden og omkostningerne ved lægemiddeludviklingsprocessen. Den nye model, kaldet CODE-AE, beskrevet i et nyligt offentliggjort papir i Nature Machine Intelligence, kan screene nye lægemiddelforbindelser for præcist at forudsige effektivitet hos mennesker. I test var det også i stand til teoretisk at identificere personaliseret medicin til over 9.000 patienter, der bedre kunne behandle deres tilstande. Forskerne forventer, at teknikken vil fremskynde opdagelsen af ​​lægemidler og præcisionsmedicin markant.

Nøjagtig og pålidelig forudsigelse af patientspecifikke reaktioner på en ny kemisk forbindelse er afgørende for at opdage sikker og effektiv behandling og udvælge et eksisterende lægemiddel til en bestemt patient. Det er dog uetisk og umuligt at udføre tidlig effekttest af et lægemiddel direkte på mennesker. Celle- eller vævsmodeller bruges ofte som et surrogat for den menneskelige krop til at evaluere den terapeutiske virkning af et lægemiddelmolekyle. Desværre er lægemiddelvirkning i en sygdomsmodel ofte ikke korreleret med lægemiddeleffektivitet og toksicitet hos humane patienter. Denne videnskløft er en vigtig faktor i de høje omkostninger og lave produktivitetsrater ved lægemiddelopdagelse.

Vores nye maskinlæringsmodel kan løse den translationelle udfordring fra sygdomsmodeller til mennesker. CODE-AE bruger et design inspireret af biologi og udnytter flere nyere fremskridt inden for maskinlæring. For eksempel bruger en af ​​dens komponenter lignende teknikker, når de laver deepfake billeder."

Lei Xie, professor i datalogi, biologi og biokemi, CUNY Graduate Center og seniorforfatter af Hunter College and Paper

Drug Discovery E-bog

Samling af de bedste interviews, artikler og nyheder fra det sidste år. Download en kopi i dag

Den nye model kan omgå problemet med at have nok patientdata til at træne en generaliseret maskinlæringsmodel, sagde You Wu, Ph.D. fra CUNY Graduate Center. Elev og medforfatter til værket. "Selvom der er udviklet mange metoder til at bruge cellelinjescreeninger til at forudsige kliniske responser, er deres præstationer upålidelige på grund af datainkonsistens og uoverensstemmelser," sagde Wu. "CODE-AE kan udtrække iboende biologiske signaler maskeret af støj og forvirrende faktorer, hvilket effektivt afhjælper problemet med datauoverensstemmelse."

Som et resultat forbedrer CODE-AE nøjagtigheden og robustheden i forhold til avancerede metoder til at forudsige patientspecifikke lægemiddelresponser udelukkende fra cellelinjeforbindelsesscreeninger.

Forskerholdets næste udfordring med at fremme brugen af ​​teknologien til lægemiddelopdagelse er at udvikle en måde, hvorpå CODE-AE pålideligt kan forudsige effekten af ​​koncentrationen og metabolismen af ​​et nyt lægemiddel i den menneskelige krop. Forskerne bemærkede også, at AI-modellen potentielt kunne optimeres til nøjagtigt at forudsige menneskelige bivirkninger af medicin.

Dette arbejde blev støttet af National Institute of General Medical Sciences og National Institute on Aging.

Kilde:

Graduate Center, CUNY

Reference:

Er, D., et al. (2022) En kontekstbevidst disentangling autoencoder til robust forudsigelse af personlig klinisk lægemiddelrespons fra cellelinjesammensætningsscreening. Natur-maskine intelligens. doi.org/10.1038/s42256-022-00541-0.

.