En ny maskinlæringsmodell kan screene nye medikamentforbindelser for nøyaktig å forutsi effekt hos mennesker

En ny maskinlæringsmodell kan screene nye medikamentforbindelser for nøyaktig å forutsi effekt hos mennesker

Reisen mellom identifiseringen av et potensielt terapeutisk middel og godkjenningen av et nytt medikament av Food and Drug Administration kan ta godt over et tiår og koste mer enn en milliard dollar. Et forskerteam ved CUNY Graduate Center har utviklet en kunstig intelligensmodell som kan forbedre nøyaktigheten betraktelig og redusere tiden og kostnadene ved legemiddelutviklingsprosessen. Den nye modellen, kalt CODE-AE, beskrevet i en nylig publisert artikkel i Nature Machine Intelligence, kan screene nye medikamentforbindelser for nøyaktig å forutsi effekt hos mennesker. I testing var den også i stand til å teoretisk identifisere personlige medisiner for over 9000 pasienter som bedre kunne behandle deres tilstander. Forskerne forventer at teknikken vil fremskynde legemiddeloppdagelse og presisjonsmedisin betydelig.

Nøyaktig og pålitelig prediksjon av pasientspesifikke responser på en ny kjemisk forbindelse er avgjørende for å oppdage trygge og effektive terapier og velge et eksisterende medikament for en bestemt pasient. Det er imidlertid uetisk og umulig å utføre tidlig effekttesting av et legemiddel direkte på mennesker. Celle- eller vevsmodeller brukes ofte som et surrogat for menneskekroppen for å evaluere den terapeutiske effekten av et medikamentmolekyl. Dessverre er medikamentvirkning i en sykdomsmodell ofte ikke korrelert med legemiddeleffektivitet og toksisitet hos menneskelige pasienter. Dette kunnskapsgapet er en viktig faktor i de høye kostnadene og lave produktivitetsratene ved oppdagelse av legemidler.

Vår nye maskinlæringsmodell kan håndtere translasjonsutfordringen fra sykdomsmodeller til mennesker. CODE-AE bruker et design inspirert av biologi og utnytter flere nyere fremskritt innen maskinlæring. For eksempel bruker en av komponentene lignende teknikker når de lager dypfalske bilder."

Lei Xie, professor i informatikk, biologi og biokjemi, CUNY Graduate Center og seniorforfatter av Hunter College and Paper

Drug Discovery E-bok

Sammenstilling av de beste intervjuene, artikler og nyheter fra det siste året. Last ned en kopi i dag

Den nye modellen kan komme rundt problemet med å ha nok pasientdata til å trene en generalisert maskinlæringsmodell, sa You Wu, Ph.D. fra CUNY Graduate Center. Student og medforfatter av verket. "Selv om mange metoder har blitt utviklet for å bruke cellelinjeskjermer for å forutsi kliniske responser, er ytelsen deres upålitelig på grunn av datainkonsekvens og avvik," sa Wu. "CODE-AE kan trekke ut iboende biologiske signaler maskert av støy og forvirrende faktorer, og effektivt lindre problemet med dataavvik."

Som et resultat forbedrer CODE-AE nøyaktigheten og robustheten i forhold til avanserte metoder for å forutsi pasientspesifikke medikamentresponser utelukkende fra cellelinjekryssskjermer.

Forskergruppens neste utfordring med å fremme bruken av teknologien i legemiddeloppdagelse er å utvikle en måte for CODE-AE å pålitelig forutsi effekten av konsentrasjonen og metabolismen av et nytt medikament i menneskekroppen. Forskerne bemerket også at AI-modellen potensielt kan optimaliseres for nøyaktig å forutsi menneskelige bivirkninger av medisiner.

Dette arbeidet ble støttet av National Institute of General Medical Sciences og National Institute on Aging.

Kilde:

Graduate Center, CUNY

Referanse:

Er, D., et al. (2022) En kontekstbevisst disentangling autoenkoder for robust prediksjon av personlig klinisk medikamentrespons fra cellelinjesammensetningsscreening. Natur-maskin intelligens. doi.org/10.1038/s42256-022-00541-0.

.