Uusi koneoppimismalli voi seuloa uusia lääkeyhdisteitä ennustaakseen tarkasti tehon ihmisillä

Uusi koneoppimismalli voi seuloa uusia lääkeyhdisteitä ennustaakseen tarkasti tehon ihmisillä

Matka mahdollisen terapeuttisen aineen tunnistamisen ja elintarvike- ja lääkeviraston hyväksymän uuden lääkkeen välillä voi kestää yli vuosikymmenen ja maksaa yli miljardi dollaria. CUNY Graduate Centerin tutkimusryhmä on kehittänyt tekoälymallin, joka voi parantaa merkittävästi lääkekehitysprosessin tarkkuutta ja vähentää aikaa ja kustannuksia. Uusi malli, nimeltään CODE-AE, joka on kuvattu äskettäin julkaistussa Nature Machine Intelligence -julkaisussa, voi seuloa uusia lääkeyhdisteitä ennustaakseen tarkasti tehon ihmisillä. Testauksessa se pystyi myös teoriassa tunnistamaan henkilökohtaisia ​​lääkkeitä yli 9 000 potilaalle, jotka voisivat hoitaa paremmin heidän sairauksiaan. Tutkijat odottavat, että tekniikka nopeuttaa merkittävästi lääkkeiden löytämistä ja tarkkuuslääkettä.

Potilaskohtaisten vasteiden tarkka ja luotettava ennustaminen uudelle kemialliselle yhdisteelle on ratkaisevan tärkeää turvallisten ja tehokkaiden lääkkeiden löytämiseksi ja olemassa olevan lääkkeen valitsemiseksi tietylle potilaalle. On kuitenkin epäeettistä ja mahdotonta suorittaa lääkkeen tehokkuuden varhaista testausta suoraan ihmisillä. Solu- tai kudosmalleja käytetään usein ihmiskehon korvikkeena lääkemolekyylin terapeuttisen vaikutuksen arvioimiseksi. Valitettavasti lääkkeen vaikutus sairausmallissa ei useinkaan korreloi lääkkeen tehon ja toksisuuden kanssa ihmispotilailla. Tämä tietovaje on merkittävä tekijä lääkekehityksen korkeissa kustannuksissa ja alhaisessa tuottavuusasteessa.

Uusi koneoppimismallimme voi vastata translaatiohaasteeseen sairausmalleista ihmisiin. CODE-AE käyttää suunnittelua, joka on saanut inspiraationsa biologiasta ja hyödyntää useita viimeaikaisia ​​edistysaskeleita koneoppimisessa. Esimerkiksi yksi sen komponenteista käyttää samanlaisia ​​tekniikoita luodessaan syvää väärennettyjä kuvia."

Lei Xie, tietojenkäsittelytieteen, biologian ja biokemian professori, CUNY Graduate Center ja Hunter College and Paperin vanhempi kirjailija

Huumeiden löytämisen e-kirja

Kokoelma viime vuoden huippuhaastatteluista, artikkeleista ja uutisista. Lataa kopio tänään

Uusi malli voi kiertää ongelman, joka liittyy tarpeeksi potilastietoihin yleisen koneoppimismallin kouluttamiseen, sanoi You Wu, Ph.D. CUNY Graduate Centeristä. Teoksen opiskelija ja toinen kirjoittaja. "Vaikka monia menetelmiä on kehitetty solulinjaseulojen käyttämiseksi kliinisten vasteiden ennustamiseen, niiden suorituskyky on epäluotettava tietojen epäjohdonmukaisuuden ja eroavaisuuksien vuoksi", Wu sanoi. "CODE-AE voi poimia sisäisiä biologisia signaaleja, jotka peittävät kohinan ja hämmentävät tekijät, mikä lievittää tehokkaasti tietojen ristiriitaa."

Tämän seurauksena CODE-AE parantaa tarkkuutta ja kestävyyttä verrattuna huipputekniikan menetelmiin potilaskohtaisten lääkevasteiden ennustamisessa pelkästään solulinjojen liitosseuloista.

Tutkimusryhmän seuraava haaste teknologian käytön edistämisessä lääkekehityksessä on kehittää CODE-AE:n tapa luotettavasti ennustaa uuden lääkkeen pitoisuuden ja aineenvaihdunnan vaikutusta ihmiskehossa. Tutkijat totesivat myös, että tekoälymalli voitaisiin mahdollisesti optimoida ennustamaan tarkasti lääkkeiden sivuvaikutukset ihmisiin.

Tätä työtä tukivat National Institute of General Medical Sciences ja National Institute on Aging.

Lähde:

Graduate Center, CUNY

Viite:

Er, D., et ai. (2022) Kontekstitietoinen irrottava autoenkooderi yksilöllisen kliinisen lääkevasteen vahvaan ennustamiseen solulinjayhdisteiden seulonnasta. Luonto-koneäly. doi.org/10.1038/s42256-022-00541-0.

.