Новый метод машинного обучения, описанный в журнале Nature Communications, обнаружил ассоциации между лекарствами и раковыми клетками, которые ранее не наблюдались.
Модель была обучена с большим набором данных, полученных из предыдущих исследований, в которых изучалась связь между лекарствами и раковыми клетками. «Модель, изученная машиной, на самом деле представляет собой полиномиальную функцию, знакомую из школьной математики, но очень сложную.
Исследователи отметили, что комбинированная лекарственная терапия часто повышает эффективность лечения и может уменьшить вредные побочные эффекты, если можно уменьшить дозировку отдельных препаратов.
Однако, по их словам, экспериментальный скрининг комбинаций лекарственных препаратов очень медленный и дорогостоящий, поэтому часто не удается выявить все преимущества комбинированной терапии. «Модель дает очень точные результаты. Например, значения так называемого коэффициента корреляции в наших экспериментах были более 0,9, что указывает на превосходную надежность».
По словам исследователей, в экспериментальных измерениях коэффициент корреляции 0,8-0,9 считается надежным. По их словам, модель точно предсказывает, как комбинация лекарств избирательно ингибирует определенные раковые клетки, если действие комбинации лекарств на этот тип рака ранее не тестировалось.
«Это поможет исследователям рака определить приоритеты, какие комбинации лекарств выбрать из тысяч вариантов для дальнейших исследований». Исследователи отметили, что тот же подход машинного обучения можно использовать для лечения незлокачественных заболеваний. .
Они сказали, что в этом случае модель придется заново обучать с использованием данных, связанных с этим заболеванием. Например, модель может быть использована для изучения того, как различные комбинации антибиотиков влияют на бактериальные инфекции или насколько эффективно различные комбинации лекарств убивают клетки, инфицированные коронавирусом SARS-Cov-2, по словам исследователей.