Nový model strojového učenia môže skrínovať nové zlúčeniny liečiv, aby presne predpovedal ich účinnosť u ľudí

Nový model strojového učenia môže skrínovať nové zlúčeniny liečiv, aby presne predpovedal ich účinnosť u ľudí

Cesta medzi identifikáciou potenciálneho terapeutického činidla a schválením nového lieku Úradom pre potraviny a liečivá môže trvať viac ako desaťročie a stáť viac ako miliardu dolárov. Výskumný tím v CUNY Graduate Center vyvinul model umelej inteligencie, ktorý by mohol výrazne zlepšiť presnosť a znížiť čas a náklady procesu vývoja lieku. Nový model s názvom CODE-AE, opísaný v novo publikovanom článku v Nature Machine Intelligence, dokáže skrínovať nové liečivé zlúčeniny, aby presne predpovedal ich účinnosť u ľudí. Pri testovaní bol tiež schopný teoreticky identifikovať personalizované lieky pre viac ako 9 000 pacientov, ktoré by mohli lepšie liečiť ich stavy. Vedci očakávajú, že táto technika výrazne urýchli objavovanie liekov a presnú medicínu.

Presná a spoľahlivá predpoveď reakcií špecifických pre pacienta na novú chemickú zlúčeninu je rozhodujúca pre objavenie bezpečných a účinných terapeutík a výber existujúceho lieku pre konkrétneho pacienta. Je však neetické a nerealizovateľné vykonávať včasné testovanie účinnosti lieku priamo na ľuďoch. Bunkové alebo tkanivové modely sa často používajú ako náhrada za ľudské telo na vyhodnotenie terapeutického účinku molekuly liečiva. Bohužiaľ, účinok lieku v modeli choroby často nekoreluje s účinnosťou a toxicitou lieku u ľudských pacientov. Táto vedomostná medzera je hlavným faktorom vysokých nákladov a nízkej produktivity objavovania liekov.

Náš nový model strojového učenia môže riešiť translačný problém z modelov chorôb na ľudí. CODE-AE využíva dizajn inšpirovaný biológiou a využíva niekoľko nedávnych pokrokov v strojovom učení. Napríklad jeden z jeho komponentov používa podobné techniky pri vytváraní deepfake obrázkov.“

Lei Xie, profesor informatiky, biológie a biochémie, CUNY Graduate Center a hlavný autor Hunter College and Paper

E-kniha Objavovanie drog

Kompilácia top rozhovorov, článkov a noviniek za posledný rok. Stiahnite si kópiu ešte dnes

Nový model dokáže vyriešiť problém s dostatkom údajov o pacientoch na trénovanie modelu všeobecného strojového učenia, povedal You Wu, Ph.D. absolventského centra CUNY. Študent a spoluautor práce. "Aj keď bolo vyvinutých veľa metód na použitie skríningov bunkových línií na predpovedanie klinických odpovedí, ich výkony sú nespoľahlivé z dôvodu nekonzistentnosti údajov a nezrovnalostí," povedal Wu. "CODE-AE dokáže extrahovať vnútorné biologické signály maskované šumom a mätúcimi faktormi, čím účinne zmierňuje problém nesúladu údajov."

Výsledkom je, že CODE-AE zlepšuje presnosť a robustnosť v porovnaní s najmodernejšími metódami pri predpovedaní reakcií na liek špecifických pre pacienta výlučne zo skríningov spojenia bunkových línií.

Ďalšou výzvou výskumného tímu pri presadzovaní používania technológie pri objavovaní liekov je vyvinúť spôsob, ako CODE-AE spoľahlivo predpovedať účinok koncentrácie a metabolizmu nového lieku v ľudskom tele. Vedci tiež poznamenali, že model AI by mohol byť potenciálne optimalizovaný tak, aby presne predpovedal vedľajšie účinky liekov na človeka.

Túto prácu podporili Národný inštitút všeobecných lekárskych vied a Národný inštitút starnutia.

Zdroj:

Centrum pre absolventov, CUNY

Referencia:

Er, D., a kol. (2022) Kontextový oddeľovací autokóder na robustnú predikciu personalizovanej klinickej odpovede na liek zo skríningu zlúčenín bunkovej línie. Inteligencia príroda-stroj. doi.org/10.1038/s42256-022-00541-0.

.