Neue KI -Software könnte die Entwicklung von Arzneimitteln beschleunigen

Die Entdeckung und Entwicklung von Arzneimitteln in der pharmakologischen Forschung – einschließlich der Risikobewertung aktiver Substanzen in der frühen Phase der Arzneimittelentwicklung – beruht immer noch weitgehend auf tierischen Experimenten. Zusätzlich zu den ethischen Fragen sind Tierstudien sehr teuer und zeitaufwändig. Sie erfordern normalerweise auch eine laufende Aufsicht und Bewertung durch hochqualifizierte Mitarbeiter. Die Entwicklung automatisierter Bewertungsmethoden, die anstelle von Standard -Tierversuche verwendet werden können, würde somit eine breite Palette von Vorteilen für die Arzneimittelforschung haben.
Die Verfolgung dieser alternativen Methoden steht im Mittelpunkt des Projekts „Embryonet-AI“, für das Patrick Müller gerade mit einem Proof of Concept-Stipendium vom European Research Council (ERC) in Höhe von 150.000 Euro erhalten wurde. Müller ist Professor für Entwicklungsbiologie an der Universität Konstanz und Mitglied des Konstanz -Cluster der Exzellenz -Kollektivverhalten. Sein Projekt baut auf Erkenntnissen auf, die er und sein Team im von ERC finanzierten Projekt „Ace-of-Space“ („Analyse, Kontrolle und Engineering der räumlich-zeitlichen Musterbildung“) gewonnen haben. Das Ziel von Müllers neues Projekt ist es, das KI-unterstützte Image-Analyse-Software-Embryonet weiter zu entwickeln, das automatisch Mängel erkennt, die während der Entwicklung von Tierembryonen auftreten.
Embryonet bietet eine schnelle, kostengünstige und hochpräzise Bewertung des Einflusses eines Substanz auf die Entwicklung biologischer Systeme. Negative Effekte wie sichtbare Entwicklungsfehler werden automatisch erkannt und mit dem entsprechenden Signalweg verbunden. Embryonet übertrifft sogar menschliche Experten in Genauigkeit. „Wir sehen ein großes Potenzial für die Anwendung der Software auf die Arzneimittelentwicklung, insbesondere in der frühen Phase der Identifizierung potenziell geeigneter Substanzen – für die Durchführung von Risikobewertungen und die Untersuchung der Mechanismen der Funktionsweise von schwankten Arzneimitteln“, sagt Müller.
Nicht nur für Embryonen
Patrick Müller und sein Team präsentierten zum ersten Mal Embryonet in einer 2023 -Studie unter Verwendung von Zebrafischembryonen, die in den Journal Nature -Methoden veröffentlicht wurden. Seitdem wurde die Software auf Organoide erweitert. „Organoide sind künstliche Gewebe, die in einem Labor mit menschlichen Stammzellen hergestellt werden. Ihre Strukturen ähneln kleine Organe wie Leber, Niere oder Gehirn – und können als Modelle für diese Organe in der Arzneimittelforschung verwendet werden“, erklärt Müller.
Im Rahmen des Proof of Concept Grant werden Müller und sein Team die KI -Modelle, auf denen Embryonet basiert, weiter verbessern, um seine Genauigkeit und vor allem seine Funktionen zu erhöhen. Gleichzeitig möchte das Team eine Online -Plattform erstellen, um den Nutzern weltweit Embryonet zur Verfügung zu stellen. Um dieses Ziel zu erreichen, werden Müller und sein Team Hand in Hand mit anderen Forschern, Industriepartnern und wichtigen Aufsichtsbehörden arbeiten, um sicherzustellen, dass die Online -Plattform den Anforderungen ihrer zukünftigen Nutzer entspricht und die behördlichen Anforderungen erfüllt. Das übergeordnete Ziel ist es, Embryonet in ein marktfertiges Produkt zu entwickeln.
Die Idee: Da Embryonet vollständig automatisiert ist, könnten Pharmaunternehmen die Plattform vollständig in ihre Forschungspipelines integrieren. Sie könnten zum Beispiel Embryonet verwenden, um gleichzeitig Hunderte von Substanzen in einem Hochdurchsatzprozess für ihre Auswirkungen auf oder Risiken für bestimmte Organe oder Entwicklungsprozesse zu testen-ohne lange Studien mit einer großen Anzahl von Testtieren für jede einzelne Substanz abzuschließen . Embryonet liefert auch Informationen über die Mechanismen, wie potenzielle neue Medikamente funktionieren. „Langfristig könnte Embryonet dann eine große Anzahl von tierischen Experimenten in der Arzneimittelforschung ersetzen und durch Automatisierung konventionelle Prozesse beschleunigen und gleichzeitig die Kosten erheblich senken“, schließt Patrick Müller.
Quellen:
Čapek, D., et al. (2023) EmbryoNet: using deep learning to link embryonic phenotypes to signaling pathways. Nature Methods. doi.org/10.1038/s41592-023-01873-4.