Nowy model uczenia maszynowego może badać nowe związki leków i dokładnie przewidywać ich skuteczność u ludzi

Nowy model uczenia maszynowego może badać nowe związki leków i dokładnie przewidywać ich skuteczność u ludzi

Droga pomiędzy zidentyfikowaniem potencjalnego środka terapeutycznego a zatwierdzeniem nowego leku przez Agencję ds. Żywności i Leków może zająć znacznie ponad dekadę i kosztować ponad miliard dolarów. Zespół badawczy w CUNY Graduate Center opracował model sztucznej inteligencji, który może znacznie poprawić dokładność oraz skrócić czas i koszty procesu opracowywania leku. Nowy model, nazwany CODE-AE, opisany w nowo opublikowanym artykule w Nature Machine Intelligence, umożliwia badanie nowych związków leczniczych w celu dokładnego przewidywania ich skuteczności u ludzi. Podczas testów udało mu się także teoretycznie zidentyfikować spersonalizowane leki dla ponad 9 000 pacjentów, które mogłyby lepiej leczyć ich schorzenia. Naukowcy spodziewają się, że technika ta znacznie przyspieszy odkrywanie leków i medycynę precyzyjną.

Dokładne i wiarygodne przewidywanie specyficznej dla pacjenta reakcji na nowy związek chemiczny ma kluczowe znaczenie dla odkrycia bezpiecznych i skutecznych środków terapeutycznych oraz wyboru istniejącego leku dla konkretnego pacjenta. Jednak przeprowadzanie wczesnych testów skuteczności leku bezpośrednio na ludziach jest nieetyczne i niewykonalne. Modele komórkowe lub tkankowe są często wykorzystywane jako substytut organizmu ludzkiego w celu oceny efektu terapeutycznego cząsteczki leku. Niestety działanie leku w modelu choroby często nie koreluje ze skutecznością i toksycznością leku u ludzi. Ta luka w wiedzy jest głównym czynnikiem wpływającym na wysokie koszty i niski wskaźnik produktywności odkrywania leków.

Nasz nowy model uczenia maszynowego może sprostać wyzwaniu związanemu z przeniesieniem modeli chorób na ludzi. CODE-AE wykorzystuje projekt inspirowany biologią i wykorzystuje kilka najnowszych osiągnięć w uczeniu maszynowym. Na przykład jeden z jego komponentów wykorzystuje podobne techniki podczas tworzenia obrazów typu deepfake”.

Lei Xie, profesor informatyki, biologii i biochemii, CUNY Graduate Center i starszy autor Hunter College and Paper

Książka elektroniczna o odkrywaniu leków

Zestawienie najważniejszych wywiadów, artykułów i aktualności z ostatniego roku. Pobierz kopię już dziś

Nowy model może obejść problem posiadania wystarczającej ilości danych pacjenta, aby wytrenować uogólniony model uczenia maszynowego, powiedział dr You Wu. Centrum Absolwentów CUNY. Student i współautor pracy. „Chociaż opracowano wiele metod wykorzystania badań przesiewowych linii komórkowych do przewidywania reakcji klinicznych, ich skuteczność jest zawodna ze względu na niespójność i rozbieżności danych” – powiedział Wu. „CODE-AE może wyodrębnić wewnętrzne sygnały biologiczne zamaskowane szumem i czynnikami zakłócającymi, skutecznie łagodząc problem rozbieżności danych”.

W rezultacie projekt CODE-AE poprawia dokładność i niezawodność w porównaniu z najnowocześniejszymi metodami przewidywania odpowiedzi na leki specyficznej dla pacjenta wyłącznie na podstawie badań przesiewowych połączeń linii komórkowych.

Kolejnym wyzwaniem dla zespołu badawczego w zakresie udoskonalania wykorzystania tej technologii w odkrywaniu leków jest opracowanie sposobu, w jaki CODE-AE będzie w stanie wiarygodnie przewidywać wpływ stężenia i metabolizmu nowego leku na organizm ludzki. Naukowcy zauważyli również, że model sztucznej inteligencji można potencjalnie zoptymalizować, aby dokładnie przewidywać skutki uboczne leków u ludzi.

Prace te były wspierane przez Narodowy Instytut Ogólnych Nauk Medycznych i Narodowy Instytut ds. Starzenia się.

Źródło:

Centrum Absolwentów, CUNY

Odniesienie:

Er, D. i in. (2022) Kontekstowy autoenkoder rozplątujący umożliwiający niezawodne przewidywanie spersonalizowanej klinicznej odpowiedzi na lek na podstawie badań przesiewowych związków linii komórkowych. Inteligencja natury i maszyny. doi.org/10.1038/s42256-022-00541-0.

.