Egy új gépi tanulási modell képes új gyógyszervegyületek szűrésére, hogy pontosan megjósolhassa a hatékonyságot emberekben

Egy új gépi tanulási modell képes új gyógyszervegyületek szűrésére, hogy pontosan megjósolhassa a hatékonyságot emberekben

A potenciális terápiás szer azonosítása és egy új gyógyszer Élelmiszer- és Gyógyszerügyi Hatóság általi jóváhagyása közötti út jóval több mint egy évtizedig tarthat, és több mint egymilliárd dollárba kerül. A CUNY Graduate Center kutatócsoportja kifejlesztett egy mesterséges intelligencia modellt, amely jelentősen javíthatja a gyógyszerfejlesztési folyamat pontosságát, valamint csökkentheti az időt és a költségeket. Az új modell, a CODE-AE, amelyet a Nature Machine Intelligence című folyóiratban újonnan publikált cikkben ismertettek, új gyógyszervegyületeket képes kiszűrni, hogy pontosan megjósolhassa a hatékonyságot emberekben. A tesztelés során több mint 9000 beteg számára is képes volt elméletileg azonosítani azokat a személyre szabott gyógyszereket, amelyek jobban kezelhetik állapotukat. A kutatók arra számítanak, hogy a technika jelentősen felgyorsítja a gyógyszerkutatást és a precíziós orvoslást.

Az új kémiai vegyületre adott beteg-specifikus válaszok pontos és megbízható előrejelzése kulcsfontosságú a biztonságos és hatékony terápiák felfedezéséhez és a meglévő gyógyszer kiválasztásához egy adott beteg számára. Mindazonáltal etikátlan és kivitelezhetetlen egy gyógyszer korai hatékonysági vizsgálata közvetlenül embereken. A sejt- vagy szövetmodelleket gyakran használják helyettesítőként az emberi szervezet számára egy gyógyszermolekula terápiás hatásának értékelésére. Sajnos a gyógyszerhatás egy betegségmodellben gyakran nem korrelál a gyógyszer hatékonyságával és toxicitásával humán betegeknél. Ez a tudásbeli hiányosság a fő tényező a gyógyszerkutatás magas költségeiben és alacsony termelékenységi rátájában.

Új gépi tanulási modellünk képes kezelni a transzlációs kihívásokat a betegségmodellektől az emberekig. A CODE-AE a biológia által ihletett dizájnt alkalmazza, és a gépi tanulás számos közelmúltbeli fejlesztését hasznosítja. Például az egyik összetevője hasonló technikákat használ mélyhamisított képek létrehozásakor.”

Lei Xie, a CUNY Graduate Center számítástechnika, biológia és biokémia professzora és a Hunter College and Paper vezető szerzője

Drogfelfedező e-könyv

Összeállítás az elmúlt év legjobb interjúiból, cikkeiről és híreiről. Töltse le a másolatot még ma

Az új modell megkerülheti azt a problémát, hogy elegendő betegadat áll rendelkezésre egy általános gépi tanulási modell képzéséhez, mondta You Wu, Ph.D. a CUNY Graduate Center. A mű diákja és társszerzője. "Bár számos módszert fejlesztettek ki a sejtvonal-szűrések használatára a klinikai válaszok előrejelzésére, teljesítményük megbízhatatlan az adatok következetlensége és eltérései miatt" - mondta Wu. „A CODE-AE képes kivonni a zaj és a zavaró tényezők által elfedett belső biológiai jeleket, hatékonyan enyhítve az adatok eltérésének problémáját.”

Ennek eredményeként a CODE-AE javítja a pontosságot és robusztusságot a legmodernebb módszerekhez képest a beteg-specifikus gyógyszerválaszok előrejelzésében, kizárólag a sejtvonal-csatlakozási képernyők alapján.

A kutatócsoport következő kihívása a technológia gyógyszerkutatási alkalmazásának előmozdítása terén az, hogy a CODE-AE segítségével megbízhatóan előre jelezze egy új gyógyszer koncentrációjának és metabolizmusának hatását az emberi szervezetben. A kutatók azt is megjegyezték, hogy az AI-modell potenciálisan optimalizálható a gyógyszerek emberi mellékhatásainak pontos előrejelzésére.

Ezt a munkát az Országos Általános Orvostudományi Intézet és az Országos Öregedésügyi Intézet támogatta.

Forrás:

The Graduate Center, CUNY

Referencia:

Er, D. és mtsai. (2022) Egy környezettudatos, szétválasztható autoencoder a sejtvonal-vegyületek szűréséből származó személyre szabott klinikai gyógyszerválasz robusztus előrejelzéséhez. Természet-gép intelligencia. doi.org/10.1038/s42256-022-00541-0.

.