Medizinische ForschungNewsTechnologie

Ein neues maschinelles Lernmodell kann neuartige Arzneimittelverbindungen screenen, um die Wirksamkeit beim Menschen genau vorherzusagen

Der Weg zwischen der Identifizierung eines potenziellen therapeutischen Wirkstoffs und der Zulassung eines neuen Medikaments durch die Food and Drug Administration kann weit über ein Jahrzehnt dauern und mehr als eine Milliarde Dollar kosten. Ein Forschungsteam am CUNY Graduate Center hat ein künstliches Intelligenzmodell entwickelt, das die Genauigkeit erheblich verbessern und Zeit und Kosten des Arzneimittelentwicklungsprozesses reduzieren könnte. Das neue Modell mit dem Namen CODE-AE, das in einem neu veröffentlichten Artikel in Nature Machine Intelligence beschrieben wird, kann neuartige Arzneimittelverbindungen untersuchen, um die Wirksamkeit beim Menschen genau vorherzusagen. In Tests konnte es auch theoretisch personalisierte Medikamente für über 9.000 Patienten identifizieren, die ihre Erkrankungen besser behandeln könnten. Die Forscher erwarten, dass die Technik die Arzneimittelforschung und die Präzisionsmedizin erheblich beschleunigen wird.

Eine genaue und zuverlässige Vorhersage patientenspezifischer Reaktionen auf eine neue chemische Verbindung ist entscheidend, um sichere und wirksame Therapeutika zu entdecken und ein vorhandenes Medikament für einen bestimmten Patienten auszuwählen. Es ist jedoch unethisch und nicht durchführbar, frühe Wirksamkeitstests eines Medikaments direkt am Menschen durchzuführen. Zell- oder Gewebemodelle werden häufig als Ersatz für den menschlichen Körper verwendet, um die therapeutische Wirkung eines Arzneimittelmoleküls zu bewerten. Leider korreliert die Arzneimittelwirkung in einem Krankheitsmodell oft nicht mit der Arzneimittelwirksamkeit und -toxizität bei menschlichen Patienten. Diese Wissenslücke ist ein wesentlicher Faktor für die hohen Kosten und niedrigen Produktivitätsraten der Wirkstoffforschung.

Unser neues maschinelles Lernmodell kann die translationale Herausforderung von Krankheitsmodellen zum Menschen angehen. CODE-AE verwendet ein von der Biologie inspiriertes Design und nutzt mehrere aktuelle Fortschritte im maschinellen Lernen. Beispielsweise verwendet eine seiner Komponenten ähnliche Techniken bei der Erstellung von Deepfake-Bildern.“

Lei Xie, Professor für Informatik, Biologie und Biochemie, CUNY Graduate Center und leitender Autor des Hunter College and Paper

E-Book zur Arzneimittelentdeckung

Zusammenstellung der Top-Interviews, Artikel und Nachrichten des letzten Jahres. Laden Sie noch heute eine Kopie herunter

Das neue Modell kann das Problem umgehen, dass genügend Patientendaten vorhanden sind, um ein generalisiertes maschinelles Lernmodell zu trainieren, sagte You Wu, Ph.D. des CUNY Graduate Center. Studentin und Co-Autorin der Arbeit. „Obwohl viele Methoden entwickelt wurden, um Zelllinien-Screenings zur Vorhersage klinischer Reaktionen zu verwenden, sind ihre Leistungen aufgrund von Dateninkonsistenz und Diskrepanzen unzuverlässig“, sagte Wu. „CODE-AE kann intrinsische biologische Signale extrahieren, die durch Rauschen und Störfaktoren maskiert sind, und das Problem der Datendiskrepanz effektiv lindern.“

Siehe auch  Zirkadiane Störungen induzieren eine Gewichtszunahme durch Veränderungen der Darmmikrobiota

Infolgedessen verbessert CODE-AE die Genauigkeit und Robustheit gegenüber modernsten Methoden bei der Vorhersage patientenspezifischer Arzneimittelreaktionen ausschließlich aus Zelllinien-Verbindungsscreens.

Die nächste Herausforderung des Forschungsteams bei der Weiterentwicklung des Einsatzes der Technologie in der Arzneimittelforschung ist die Entwicklung einer Möglichkeit für CODE-AE, die Wirkung der Konzentration und Metabolisierung eines neuen Arzneimittels im menschlichen Körper zuverlässig vorherzusagen. Die Forscher stellten auch fest, dass das KI-Modell möglicherweise optimiert werden könnte, um menschliche Nebenwirkungen von Medikamenten genau vorherzusagen.

Diese Arbeit wurde vom National Institute of General Medical Sciences und dem National Institute on Aging unterstützt.

Quelle:

Das Graduiertenzentrum, CUNY

Referenz:

Er, D., et al. (2022) Ein kontextbewusster Entwirrungs-Autoencoder zur robusten Vorhersage der personalisierten klinischen Arzneimittelreaktion aus dem Screening von Zelllinienverbindungen. Natur-Maschinen-Intelligenz. doi.org/10.1038/s42256-022-00541-0.

.


Unsere Beiträge kommen von Autoren der Universitäten und Forschungszentren aus der ganzen Welt. Wir geben Ratschläge und Informationen. Jede Beschwerde und Krankheit kann individuelle Behandlungsmöglichkeiten erfodern, sowie Wechselwirkungen der Medikamente hervorrufen. Konsultieren Sie unbedingt immer einen Arzt, bevor Sie etwas tun, worin Sie nicht geschult sind.

Ähnliche Artikel

Schaltfläche "Zurück zum Anfang"

Adblocker erkannt

Bitte schalten Sie den Adblocker aus. Wir finanzieren mit unaufdringlichen Bannern unsere Arbeit, damit Sie kostenlose Bildung erhalten.