Suche
Mein Konto
Un nuevo modelo de aprendizaje automático puede detectar nuevos compuestos farmacológicos para predecir con precisión la eficacia en humanos
El viaje entre la identificación de un agente terapéutico potencial y la aprobación de un nuevo medicamento por parte de la Administración de Alimentos y Medicamentos puede llevar más de una década y costar más de mil millones de dólares. Un equipo de investigación del CUNY Graduate Center ha desarrollado un modelo de inteligencia artificial que podría mejorar significativamente la precisión y reducir el tiempo y el coste del proceso de desarrollo de fármacos. El nuevo modelo, llamado CODE-AE, descrito en un artículo recientemente publicado en Nature Machine Intelligence, puede detectar nuevos compuestos farmacológicos para predecir con precisión la eficacia en humanos. En las pruebas, también podría, en teoría, personalizar la medicación para más de 9.000 pacientes...
Un nuevo modelo de aprendizaje automático puede detectar nuevos compuestos farmacológicos para predecir con precisión la eficacia en humanos
El viaje entre la identificación de un agente terapéutico potencial y la aprobación de un nuevo medicamento por parte de la Administración de Alimentos y Medicamentos puede llevar más de una década y costar más de mil millones de dólares. Un equipo de investigación del CUNY Graduate Center ha desarrollado un modelo de inteligencia artificial que podría mejorar significativamente la precisión y reducir el tiempo y el coste del proceso de desarrollo de fármacos. El nuevo modelo, llamado CODE-AE, descrito en un artículo recientemente publicado en Nature Machine Intelligence, puede detectar nuevos compuestos farmacológicos para predecir con precisión la eficacia en humanos. En las pruebas, también pudo identificar teóricamente medicamentos personalizados para más de 9.000 pacientes que podrían tratar mejor sus afecciones. Los investigadores esperan que la técnica acelere significativamente el descubrimiento de fármacos y la medicina de precisión.
La predicción precisa y confiable de las respuestas específicas del paciente a un nuevo compuesto químico es crucial para descubrir terapias seguras y efectivas y seleccionar un medicamento existente para un paciente en particular. Sin embargo, no es ético ni factible realizar pruebas tempranas de eficacia de un fármaco directamente en humanos. Los modelos de células o tejidos se utilizan a menudo como sustitutos del cuerpo humano para evaluar el efecto terapéutico de una molécula de fármaco. Desafortunadamente, la acción de un fármaco en un modelo de enfermedad a menudo no se correlaciona con su eficacia y toxicidad en pacientes humanos. Esta brecha de conocimiento es un factor importante en los altos costos y las bajas tasas de productividad del descubrimiento de fármacos.
Nuestro nuevo modelo de aprendizaje automático puede abordar el desafío traslacional de los modelos de enfermedades a los humanos. CODE-AE utiliza un diseño inspirado en la biología y aprovecha varios avances recientes en el aprendizaje automático. Por ejemplo, uno de sus componentes utiliza técnicas similares al crear imágenes deepfake”.
Lei Xie, profesora de Ciencias de la Computación, Biología y Bioquímica, Centro de Graduados CUNY y autora principal de Hunter College and Paper
Libro electrónico sobre descubrimiento de fármacos
Recopilación de las principales entrevistas, artículos y noticias del último año. Descargue una copia hoy
El nuevo modelo puede solucionar el problema de tener suficientes datos de pacientes para entrenar un modelo de aprendizaje automático generalizado, afirmó You Wu, Ph.D. del Centro de Graduados CUNY. Estudiante y coautor del trabajo. "Aunque se han desarrollado muchos métodos para utilizar análisis de líneas celulares para predecir respuestas clínicas, su rendimiento no es confiable debido a la inconsistencia y discrepancias de los datos", dijo Wu. "CODE-AE puede extraer señales biológicas intrínsecas enmascaradas por ruido y factores de confusión, aliviando eficazmente el problema de la discrepancia de datos".
Como resultado, CODE-AE mejora la precisión y la solidez de los métodos de última generación en la predicción de respuestas a fármacos específicas del paciente únicamente a partir de pantallas de unión de líneas celulares.
El próximo desafío del equipo de investigación para avanzar en el uso de la tecnología en el descubrimiento de fármacos es desarrollar una forma para que CODE-AE prediga de forma fiable el efecto de la concentración y el metabolismo de un nuevo fármaco en el cuerpo humano. Los investigadores también señalaron que el modelo de IA podría potencialmente optimizarse para predecir con precisión los efectos secundarios de los medicamentos en humanos.
Este trabajo fue apoyado por el Instituto Nacional de Ciencias Médicas Generales y el Instituto Nacional sobre el Envejecimiento.
Fuente:
Referencia:
Er, D., et al. (2022) Un codificador automático desenredante consciente del contexto para una predicción sólida de la respuesta clínica personalizada al fármaco a partir de la detección de compuestos de líneas celulares. Inteligencia naturaleza-máquina. doi.org/10.1038/s42256-022-00541-0.
.