Novi model strojnog učenja može pregledati spojeve novih lijekova kako bi se točno predvidjela učinkovitost kod ljudi

Novi model strojnog učenja može pregledati spojeve novih lijekova kako bi se točno predvidjela učinkovitost kod ljudi

Put između identifikacije potencijalnog terapeutskog agensa i odobrenja novog lijeka od strane Uprave za hranu i lijekove može potrajati više od desetljeća i stajati više od milijardu dolara. Istraživački tim u CUNY Graduate Centeru razvio je model umjetne inteligencije koji bi mogao značajno poboljšati točnost i smanjiti vrijeme i troškove procesa razvoja lijeka. Novi model, nazvan CODE-AE, opisan u nedavno objavljenom radu u časopisu Nature Machine Intelligence, može pregledati nove spojeve lijekova kako bi se točno predvidjela učinkovitost kod ljudi. U testiranju je također bio u mogućnosti teoretski identificirati personalizirane lijekove za više od 9000 pacijenata koji bi mogli bolje liječiti njihova stanja. Istraživači očekuju da će tehnika značajno ubrzati otkrivanje lijekova i preciznu medicinu.

Točno i pouzdano predviđanje odgovora specifičnih za pacijenta na novi kemijski spoj ključno je za otkrivanje sigurnih i učinkovitih terapeutika i odabir postojećeg lijeka za određenog pacijenta. Međutim, neetično je i neizvedivo provoditi rano ispitivanje učinkovitosti lijeka izravno na ljudima. Modeli stanica ili tkiva često se koriste kao surogat za ljudsko tijelo za procjenu terapeutskog učinka molekule lijeka. Nažalost, djelovanje lijeka u modelu bolesti često nije u korelaciji s učinkovitošću i toksičnošću lijeka u ljudi. Ovaj jaz u znanju glavni je čimbenik visokih troškova i niske stope produktivnosti otkrivanja lijekova.

Naš novi model strojnog učenja može odgovoriti na izazov translacije s modela bolesti na ljude. CODE-AE koristi dizajn inspiriran biologijom i koristi nekoliko nedavnih dostignuća u strojnom učenju. Na primjer, jedna od njegovih komponenti koristi slične tehnike pri stvaranju deepfake slika.”

Lei Xie, profesorica informatike, biologije i biokemije, CUNY Graduate Center i viša autorica Hunter College and Paper

E-knjiga o otkrivanju droga

Kompilacija najboljih intervjua, članaka i vijesti iz prošle godine. Preuzmite kopiju danas

Novi model može zaobići problem posjedovanja dovoljno podataka o pacijentima za treniranje generaliziranog modela strojnog učenja, rekao je dr. sc. You Wu. CUNY Graduate Centera. Student i koautor rada. "Iako su razvijene mnoge metode za korištenje pregleda staničnih linija za predviđanje kliničkih odgovora, njihove izvedbe su nepouzdane zbog nedosljednosti podataka i odstupanja", rekao je Wu. "CODE-AE može izdvojiti intrinzične biološke signale maskirane šumom i zbunjujućim čimbenicima, učinkovito ublažavajući problem nepodudarnosti podataka."

Kao rezultat toga, CODE-AE poboljšava točnost i robusnost u odnosu na najsuvremenije metode u predviđanju odgovora na lijekove specifičnih za pacijenta isključivo na temelju ekrana spajanja staničnih linija.

Sljedeći izazov istraživačkog tima u unapređenju korištenja tehnologije u otkrivanju lijekova je razviti način na koji će CODE-AE pouzdano predvidjeti učinak koncentracije i metabolizma novog lijeka u ljudskom tijelu. Istraživači su također primijetili da bi se AI model potencijalno mogao optimizirati za točno predviđanje nuspojava lijekova kod ljudi.

Ovaj rad poduprli su Nacionalni institut za opće medicinske znanosti i Nacionalni institut za starenje.

Izvor:

Centar za diplomske studije, CUNY

Referenca:

Er, D. i sur. (2022.) Kontekstno svjestan rastavljajući autokoder za robusno predviđanje personaliziranog kliničkog odgovora na lijekove iz pretrage spojeva stanične linije. Priroda-strojna inteligencija. doi.org/10.1038/s42256-022-00541-0.

.