Uus masinõppemudel võib sõeluda uudseid ravimiühendeid, et täpselt ennustada efektiivsust inimestel

Uus masinõppemudel võib sõeluda uudseid ravimiühendeid, et täpselt ennustada efektiivsust inimestel

Teekond potentsiaalse raviaine tuvastamise ja Toidu- ja Ravimiameti poolt uue ravimi heakskiitmise vahel võib kesta üle kümne aasta ja maksma üle miljardi dollari. CUNY Graduate Centeri uurimisrühm on välja töötanud tehisintellekti mudeli, mis võib oluliselt parandada ravimiarendusprotsessi täpsust ning vähendada aega ja kulusid. Uus mudel nimega CODE-AE, mida on kirjeldatud äsja avaldatud artiklis Nature Machine Intelligence, suudab sõeluda uudseid ravimühendeid, et täpselt ennustada efektiivsust inimestel. Testides suutis see ka teoreetiliselt tuvastada enam kui 9000 patsiendi jaoks isikupärastatud ravimeid, mis võiksid nende haigusseisundeid paremini ravida. Teadlased loodavad, et tehnika kiirendab oluliselt ravimite avastamist ja täppismeditsiini.

Patsiendispetsiifiliste reaktsioonide täpne ja usaldusväärne ennustamine uuele keemilisele ühendile on ülioluline ohutute ja tõhusate ravimite avastamiseks ning konkreetse patsiendi jaoks olemasoleva ravimi valimiseks. Siiski on ebaeetiline ja teostamatu ravimi varajane tõhususe testimine otse inimestel. Raku- või koemudeleid kasutatakse sageli inimkeha surrogaadina, et hinnata ravimimolekuli terapeutilist toimet. Kahjuks ei ole ravimi toime haigusmudelis sageli korrelatsioonis ravimi efektiivsuse ja toksilisusega inimpatsientidel. See teadmiste lünk on ravimite avastamise kõrgete kulude ja madala tootlikkuse peamine tegur.

Meie uus masinõppemudel võib käsitleda tõlkeprobleeme haigusmudelitest inimesteni. CODE-AE kasutab bioloogiast inspireeritud disaini ja kasutab mitmeid hiljutisi edusamme masinõppes. Näiteks kasutab üks selle komponentidest süvavõltspiltide loomisel sarnaseid tehnikaid.

Lei Xie, arvutiteaduse, bioloogia ja biokeemia professor, CUNY Graduate Center ning Hunteri kolledži ja raamatu vanemautor

Narkootikumide avastamise e-raamat

Eelmise aasta tippintervjuude, artiklite ja uudiste koostamine. Laadige koopia alla juba täna

Uus mudel võib ületada probleemi, mille kohaselt on piisavalt patsiendiandmeid, et treenida üldist masinõppe mudelit, ütles Ph.D. You Wu. CUNY Graduate Centerist. Üliõpilane ja töö kaasautor. "Kuigi on välja töötatud palju meetodeid rakuliinide ekraanide kasutamiseks kliiniliste vastuste ennustamiseks, on nende jõudlus andmete ebajärjekindluse ja lahknevuste tõttu ebausaldusväärne," ütles Wu. "CODE-AE suudab eraldada müra ja segavate teguritega varjatud sisemisi bioloogilisi signaale, leevendades tõhusalt andmete lahknevuse probleemi."

Selle tulemusena parandab CODE-AE täpsust ja tugevust võrreldes nüüdisaegsete meetoditega patsiendispetsiifiliste ravimireaktsioonide ennustamisel ainult rakuliinide ühendusekraanide põhjal.

Uurimisrühma järgmine väljakutse tehnoloogia kasutamise edendamisel ravimite avastamisel on välja töötada viis, kuidas CODE-AE saaks usaldusväärselt ennustada uue ravimi kontsentratsiooni ja metabolismi mõju inimkehas. Teadlased märkisid ka, et AI mudelit saab potentsiaalselt optimeerida, et ennustada täpselt ravimite kõrvaltoimeid inimestele.

Seda tööd toetasid riiklik üldmeditsiiniteaduste instituut ja riiklik vananemisinstituut.

Allikas:

Graduate Center, CUNY

Viide:

Er, D. et al. (2022) Kontekstiteadlik lahtiühendatav autoenkooder isikupärastatud kliinilise ravimivastuse tugevaks ennustamiseks rakuliini ühendite sõelumisel. Loodus-masin intelligentsus. doi.org/10.1038/s42256-022-00541-0.

.