Nov model strojnega učenja lahko pregleda nove spojine zdravil za natančno napovedovanje učinkovitosti pri ljudeh

Nov model strojnega učenja lahko pregleda nove spojine zdravil za natančno napovedovanje učinkovitosti pri ljudeh

Pot med identifikacijo potencialnega terapevtskega sredstva in odobritvijo novega zdravila s strani Uprave za hrano in zdravila lahko traja več kot desetletje in stane več kot milijardo dolarjev. Raziskovalna skupina na CUNY Graduate Center je razvila model umetne inteligence, ki bi lahko bistveno izboljšal natančnost ter zmanjšal čas in stroške procesa razvoja zdravil. Novi model, imenovan CODE-AE, opisan v nedavno objavljenem dokumentu v Nature Machine Intelligence, lahko pregleda nove spojine zdravil za natančno napovedovanje učinkovitosti pri ljudeh. Med testiranjem je lahko tudi teoretično identificiral prilagojena zdravila za več kot 9000 bolnikov, ki bi lahko bolje zdravili njihova stanja. Raziskovalci pričakujejo, da bo tehnika znatno pospešila odkrivanje zdravil in natančno medicino.

Natančna in zanesljiva napoved bolnikovih specifičnih odzivov na novo kemično spojino je ključnega pomena za odkrivanje varnih in učinkovitih terapevtikov ter izbiro obstoječega zdravila za določenega bolnika. Vendar pa je neetično in neizvedljivo izvajati zgodnje testiranje učinkovitosti zdravila neposredno na ljudeh. Celični ali tkivni modeli se pogosto uporabljajo kot nadomestek za človeško telo za oceno terapevtskega učinka molekule zdravila. Na žalost delovanje zdravila v modelu bolezni pogosto ni v korelaciji z učinkovitostjo in toksičnostjo zdravila pri bolnikih. Ta vrzel v znanju je glavni dejavnik visokih stroškov in nizke stopnje produktivnosti odkrivanja zdravil.

Naš novi model strojnega učenja lahko obravnava izziv prevajanja z modelov bolezni na ljudi. CODE-AE uporablja zasnovo, ki jo je navdihnila biologija, in izkorišča številne nedavne dosežke strojnega učenja. Na primer, ena od njegovih komponent uporablja podobne tehnike pri ustvarjanju globoko lažnih slik.«

Lei Xie, profesorica računalništva, biologije in biokemije, CUNY Graduate Center in višja avtorica Hunter College and Paper

E-knjiga o odkrivanju zdravil

Zbirka najboljših intervjujev, člankov in novic zadnjega leta. Prenesite kopijo še danes

Novi model lahko reši problem dovolj podatkov o bolnikih za usposabljanje splošnega modela strojnega učenja, je dejal You Wu, dr. podiplomskega centra CUNY. Študentka in soavtorica dela. "Čeprav je bilo razvitih veliko metod za uporabo zaslonov celičnih linij za napovedovanje kliničnih odzivov, so njihove zmogljivosti nezanesljive zaradi nedoslednosti podatkov in neskladij," je dejal Wu. "CODE-AE lahko izlušči intrinzične biološke signale, prikrite s šumom in motečimi dejavniki, ter učinkovito ublaži problem neskladja podatkov."

Posledično CODE-AE izboljša natančnost in robustnost v primerjavi z najsodobnejšimi metodami pri napovedovanju odzivov na zdravila, specifičnih za pacienta, izključno na podlagi zaslonov stikov celične linije.

Naslednji izziv raziskovalne skupine pri pospeševanju uporabe tehnologije pri odkrivanju zdravil je razviti način za CODE-AE, da zanesljivo napove učinek koncentracije in presnove novega zdravila v človeškem telesu. Raziskovalci so tudi ugotovili, da bi lahko model AI potencialno optimizirali za natančno napovedovanje stranskih učinkov zdravil pri ljudeh.

To delo sta podprla Nacionalni inštitut za splošne medicinske vede in Nacionalni inštitut za staranje.

Vir:

Podiplomski center, CUNY

Referenca:

Er, D., et al. (2022) A context-aware disentangling autoencoder for robust prediction of personalized clinical drug response from cell line compound screening. Narava-strojna inteligenca. doi.org/10.1038/s42256-022-00541-0.

.