Um novo modelo de aprendizado de máquina pode rastrear novos compostos medicamentosos para prever com precisão a eficácia em humanos

Um novo modelo de aprendizado de máquina pode rastrear novos compostos medicamentosos para prever com precisão a eficácia em humanos

O percurso entre a identificação de um potencial agente terapêutico e a aprovação de um novo medicamento pela Food and Drug Administration pode demorar mais de uma década e custar mais de mil milhões de dólares. Uma equipe de pesquisa do CUNY Graduate Center desenvolveu um modelo de inteligência artificial que poderia melhorar significativamente a precisão e reduzir o tempo e o custo do processo de desenvolvimento de medicamentos. O novo modelo, denominado CODE-AE, descrito num artigo recentemente publicado na Nature Machine Intelligence, pode rastrear novos compostos medicamentosos para prever com precisão a eficácia em humanos. Nos testes, também foi possível identificar teoricamente medicamentos personalizados para mais de 9.000 pacientes que poderiam tratar melhor suas condições. Os pesquisadores esperam que a técnica acelere significativamente a descoberta de medicamentos e a medicina de precisão.

A previsão precisa e confiável das respostas específicas do paciente a um novo composto químico é crucial para descobrir terapêuticas seguras e eficazes e selecionar um medicamento existente para um paciente específico. No entanto, é antiético e inviável realizar testes precoces de eficácia de um medicamento diretamente em humanos. Modelos de células ou tecidos são frequentemente usados ​​como substitutos do corpo humano para avaliar o efeito terapêutico de uma molécula de medicamento. Infelizmente, a acção do medicamento num modelo de doença muitas vezes não se correlaciona com a eficácia e toxicidade do medicamento em pacientes humanos. Esta lacuna de conhecimento é um factor importante nos elevados custos e nas baixas taxas de produtividade da descoberta de medicamentos.

Nosso novo modelo de aprendizado de máquina pode enfrentar o desafio de tradução de modelos de doenças para humanos. CODE-AE usa um design inspirado na biologia e aproveita vários avanços recentes em aprendizado de máquina. Por exemplo, um de seus componentes usa técnicas semelhantes ao criar imagens deepfake.”

Lei Xie, Professor de Ciência da Computação, Biologia e Bioquímica, CUNY Graduate Center e autor sênior do Hunter College and Paper

E-book sobre descoberta de medicamentos

Compilação das principais entrevistas, artigos e notícias do ano passado. Baixe uma cópia hoje

O novo modelo pode contornar o problema de ter dados de pacientes suficientes para treinar um modelo generalizado de aprendizado de máquina, disse You Wu, Ph.D. do Centro de Pós-Graduação CUNY. Aluno e coautor do trabalho. “Embora muitos métodos tenham sido desenvolvidos para usar triagens de linhagens celulares para prever respostas clínicas, seus desempenhos não são confiáveis ​​devido à inconsistência e discrepâncias de dados”, disse Wu. “O CODE-AE pode extrair sinais biológicos intrínsecos mascarados por ruído e fatores de confusão, aliviando efetivamente o problema de discrepância de dados.”

Como resultado, o CODE-AE melhora a precisão e a robustez em relação aos métodos de última geração na previsão de respostas a medicamentos específicos do paciente apenas a partir de telas de junção de linhagens celulares.

O próximo desafio da equipe de pesquisa no avanço do uso da tecnologia na descoberta de medicamentos é desenvolver uma maneira de o CODE-AE prever com segurança o efeito da concentração e do metabolismo de um novo medicamento no corpo humano. Os pesquisadores também observaram que o modelo de IA poderia ser potencialmente otimizado para prever com precisão os efeitos colaterais dos medicamentos em humanos.

Este trabalho foi apoiado pelo Instituto Nacional de Ciências Médicas Gerais e pelo Instituto Nacional do Envelhecimento.

Fonte:

O Centro de Pós-Graduação, CUNY

Referência:

Er, D., et al. (2022) Um autoencodificador de desembaraço sensível ao contexto para previsão robusta de resposta clínica personalizada a medicamentos a partir de triagem de compostos de linhagem celular. Inteligência natureza-máquina. doi.org/10.1038/s42256-022-00541-0.

.