Suche
Mein Konto
Un nuovo modello di apprendimento automatico può selezionare nuovi composti farmaceutici per prevederne con precisione l’efficacia negli esseri umani
Il viaggio tra l’identificazione di un potenziale agente terapeutico e l’approvazione di un nuovo farmaco da parte della Food and Drug Administration può richiedere oltre un decennio e costare più di un miliardo di dollari. Un gruppo di ricerca del CUNY Graduate Center ha sviluppato un modello di intelligenza artificiale che potrebbe migliorare significativamente la precisione e ridurre i tempi e i costi del processo di sviluppo del farmaco. Il nuovo modello, chiamato CODE-AE, descritto in un articolo appena pubblicato su Nature Machine Intelligence, può selezionare nuovi composti farmaceutici per prevederne con precisione l’efficacia negli esseri umani. Nei test si potrebbero teoricamente personalizzare farmaci per oltre 9.000 pazienti...
Un nuovo modello di apprendimento automatico può selezionare nuovi composti farmaceutici per prevederne con precisione l’efficacia negli esseri umani
Il viaggio tra l’identificazione di un potenziale agente terapeutico e l’approvazione di un nuovo farmaco da parte della Food and Drug Administration può richiedere oltre un decennio e costare più di un miliardo di dollari. Un gruppo di ricerca del CUNY Graduate Center ha sviluppato un modello di intelligenza artificiale che potrebbe migliorare significativamente la precisione e ridurre i tempi e i costi del processo di sviluppo del farmaco. Il nuovo modello, chiamato CODE-AE, descritto in un articolo appena pubblicato su Nature Machine Intelligence, può selezionare nuovi composti farmaceutici per prevederne con precisione l’efficacia negli esseri umani. Durante i test, è stato anche in grado di identificare teoricamente farmaci personalizzati per oltre 9.000 pazienti che potrebbero trattare meglio le loro condizioni. I ricercatori si aspettano che la tecnica acceleri in modo significativo la scoperta di farmaci e la medicina di precisione.
Una previsione accurata e affidabile delle risposte specifiche del paziente a un nuovo composto chimico è fondamentale per scoprire terapie sicure ed efficaci e selezionare un farmaco esistente per un particolare paziente. Tuttavia, non è etico e irrealizzabile condurre test precoci di efficacia di un farmaco direttamente sugli esseri umani. I modelli cellulari o tissutali vengono spesso utilizzati come surrogati del corpo umano per valutare l’effetto terapeutico di una molecola di farmaco. Sfortunatamente, l’azione dei farmaci in un modello di malattia spesso non è correlata all’efficacia e alla tossicità dei farmaci nei pazienti umani. Questo divario di conoscenze è un fattore importante negli alti costi e nei bassi tassi di produttività della scoperta di farmaci.
Il nostro nuovo modello di apprendimento automatico può affrontare la sfida di traslazione dai modelli di malattia agli esseri umani. CODE-AE utilizza un design ispirato alla biologia e sfrutta diversi recenti progressi nell'apprendimento automatico. Ad esempio, uno dei suoi componenti utilizza tecniche simili durante la creazione di immagini deepfake.”
Lei Xie, professore di informatica, biologia e biochimica, CUNY Graduate Center e autore senior dell'Hunter College and Paper
E-book sulla scoperta dei farmaci
Raccolta delle migliori interviste, articoli e notizie dell'ultimo anno. Scarica una copia oggi
Il nuovo modello può aggirare il problema di avere abbastanza dati sui pazienti per addestrare un modello di apprendimento automatico generalizzato, ha affermato You Wu, Ph.D. del CUNY Graduate Center. Studente e coautore dell'opera. "Sebbene siano stati sviluppati molti metodi per utilizzare gli screening delle linee cellulari per prevedere le risposte cliniche, le loro prestazioni sono inaffidabili a causa dell'incoerenza e delle discrepanze dei dati", ha affermato Wu. “CODE-AE può estrarre segnali biologici intrinseci mascherati da rumore e fattori confondenti, alleviando efficacemente il problema della discrepanza dei dati”.
Di conseguenza, CODE-AE migliora l'accuratezza e la robustezza rispetto ai metodi all'avanguardia nella previsione delle risposte farmacologiche specifiche del paziente esclusivamente dagli screening delle giunzioni delle linee cellulari.
La prossima sfida del gruppo di ricerca nel far avanzare l'uso della tecnologia nella scoperta di farmaci è sviluppare un modo per CODE-AE di prevedere in modo affidabile l'effetto della concentrazione e del metabolismo di un nuovo farmaco nel corpo umano. I ricercatori hanno anche notato che il modello di intelligenza artificiale potrebbe essere potenzialmente ottimizzato per prevedere con precisione gli effetti collaterali dei farmaci sull’uomo.
Questo lavoro è stato sostenuto dall’Istituto Nazionale di Scienze Mediche Generali e dall’Istituto Nazionale sull’Invecchiamento.
Fonte:
Riferimento:
Er, D., et al. (2022) Un autocodificatore districante sensibile al contesto per una previsione affidabile della risposta clinica personalizzata ai farmaci dallo screening dei composti della linea cellulare. Intelligenza natura-macchina. doi.org/10.1038/s42256-022-00541-0.
.