Между определением потенциального терапевтического соединения и одобрением нового препарата Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов США (FDA) проходит трудный путь, который может занять более десяти лет и стоить более миллиарда долларов. Команда исследователей из CUNY Graduate Center разработала новую модель искусственного интеллекта, которая может значительно повысить точность и сократить время и стоимость процесса разработки лекарств.
Новая модель, получившая название CODE-AE, может проводить скрининг новых лекарственных соединений для точного прогнозирования эффективности у людей. В ходе тестов он также смог теоретически идентифицировать персонализированные препараты для более чем 9000 пациентов, которые могли бы лучше лечить их заболевания. Ученые ожидают, что этот метод значительно ускорит открытие лекарств и развитие точной медицины.
Точное и надежное предсказание специфических реакций пациента на новое химическое соединение имеет решающее значение для поиска безопасных и эффективных терапевтических средств и выбора существующего препарата для конкретного пациента. Однако проводить раннее тестирование эффективности препарата непосредственно на людях неэтично и неосуществимо. Модели клеток или тканей часто используются в качестве суррогата человеческого организма для оценки терапевтического эффекта молекулы лекарственного средства. К сожалению, эффект препарата в модели заболевания часто не коррелирует с эффективностью и токсичностью препарата у пациентов-людей. Этот пробел в знаниях является основным фактором высоких затрат и низкой производительности в области открытия лекарств.
“Наша новая модель машинного обучения может решить проблему переноса с моделей болезней на людей”, - сказал Лэй Се, профессор компьютерных наук, биологии и биохимии в CUNY Graduate Center и колледже Хантера и старший автор статьи. “CODE-AE использует дизайн, вдохновленный биологией, и использует преимущества нескольких последних достижений в области машинного обучения. Например, один из его компонентов использует аналогичные методы при создании изображений Deepfake.”
Новая модель может обеспечить обходной путь к проблеме наличия достаточного количества данных о пациентах для обучения обобщенной модели машинного обучения, сказал Ю Ву, аспирант CUNY Graduate Center и соавтор статьи.
“Хотя было разработано много методов для использования скрининга клеточных линий для прогнозирования клинических реакций, их эффективность ненадежна из-за несоответствия данных”, - сказал Ву.
“CODE-AE может извлекать внутренние биологические сигналы, замаскированные шумом и мешающими факторами, и эффективно устраняет проблему несоответствия данных”.
В результате CODE-AE значительно повышает точность и надежность по сравнению с современными методами прогнозирования специфических для пациента лекарственных реакций исключительно на основе скрининга соединений клеточной линии.
Следующей задачей исследовательской группы в продвижении использования технологии в разработке лекарств является разработка способа для CODE-AE надежно прогнозировать влияние концентрации нового лекарства и его метаболизма в организме человека. Исследователи также отметили, что модель искусственного интеллекта потенциально может быть изменена для точного прогнозирования побочных эффектов лекарств для человека.
#ии #технологии #искусственныйинтелект #разработка #лекарства #будущее
