En ny maskininlärningsmodell kan screena nya läkemedelsföreningar för att exakt förutsäga effekt hos människor

En ny maskininlärningsmodell kan screena nya läkemedelsföreningar för att exakt förutsäga effekt hos människor

Resan mellan identifieringen av ett potentiellt terapeutiskt medel och godkännandet av ett nytt läkemedel av Food and Drug Administration kan ta över ett decennium och kosta mer än en miljard dollar. Ett forskarlag vid CUNY Graduate Center har utvecklat en artificiell intelligensmodell som avsevärt skulle kunna förbättra noggrannheten och minska tiden och kostnaderna för läkemedelsutvecklingsprocessen. Den nya modellen, kallad CODE-AE, som beskrivs i en nyligen publicerad artikel i Nature Machine Intelligence, kan screena nya läkemedelsföreningar för att exakt förutsäga effekt hos människor. I tester kunde den också teoretiskt identifiera personliga mediciner för över 9 000 patienter som bättre kunde behandla deras tillstånd. Forskarna förväntar sig att tekniken avsevärt påskyndar läkemedelsupptäckt och precisionsmedicin.

Exakt och tillförlitlig förutsägelse av patientspecifika svar på en ny kemisk förening är avgörande för att upptäcka säkra och effektiva terapier och välja ett befintligt läkemedel för en viss patient. Det är dock oetiskt och omöjligt att utföra tidig effekttestning av ett läkemedel direkt på människor. Cell- eller vävnadsmodeller används ofta som ett surrogat för människokroppen för att utvärdera den terapeutiska effekten av en läkemedelsmolekyl. Tyvärr korrelerar inte läkemedelsverkan i en sjukdomsmodell ofta med läkemedelseffektivitet och toxicitet hos mänskliga patienter. Denna kunskapsklyfta är en viktig faktor för de höga kostnaderna och låga produktivitetshastigheter för läkemedelsupptäckt.

Vår nya maskininlärningsmodell kan hantera den translationella utmaningen från sjukdomsmodeller till människor. CODE-AE använder en design inspirerad av biologi och utnyttjar flera nya framsteg inom maskininlärning. Till exempel använder en av dess komponenter liknande tekniker när man skapar djupfalska bilder."

Lei Xie, professor i datavetenskap, biologi och biokemi, CUNY Graduate Center och senior författare av Hunter College and Paper

Drug Discovery E-bok

Sammanställning av de bästa intervjuerna, artiklarna och nyheterna från det senaste året. Ladda ner en kopia idag

Den nya modellen kan komma runt problemet med att ha tillräckligt med patientdata för att träna en generaliserad maskininlärningsmodell, sa You Wu, Ph.D. från CUNY Graduate Center. Student och medförfattare till verket. "Även om många metoder har utvecklats för att använda cellinjescreeningar för att förutsäga kliniska svar, är deras prestationer opålitliga på grund av datainkonsekvens och avvikelser," sa Wu. "CODE-AE kan extrahera inneboende biologiska signaler maskerade av brus och förvirrande faktorer, vilket effektivt minskar problemet med dataavvikelser."

Som ett resultat förbättrar CODE-AE noggrannheten och robustheten jämfört med toppmoderna metoder för att förutsäga patientspecifika läkemedelssvar enbart från cellinjeövergångsskärmar.

Forskargruppens nästa utmaning när det gäller att främja användningen av teknologin i läkemedelsupptäckten är att utveckla ett sätt för CODE-AE att på ett tillförlitligt sätt förutsäga effekten av koncentrationen och metabolismen av ett nytt läkemedel i människokroppen. Forskarna noterade också att AI-modellen potentiellt skulle kunna optimeras för att exakt förutsäga mänskliga biverkningar av mediciner.

Detta arbete stöddes av National Institute of General Medical Sciences och National Institute on Aging.

Källa:

Graduate Center, CUNY

Hänvisning:

Er, D., et al. (2022) En kontextmedveten disentangling autoencoder för robust förutsägelse av personligt anpassat kliniskt läkemedelssvar från screening av cellinjeföreningar. Natur-maskin intelligens. doi.org/10.1038/s42256-022-00541-0.

.