Cercetătorii de la CUNY Graduate Center au creat un model de inteligență artificială, Context-aware Deconfounding Autoencoder (CODE-AE), care poate analiza compușii medicamentelor pentru a prezice cu exactitate eficacitatea la om. În teste, modelul a reușit să identifice teoretic medicamentele personalizate care ar putea trata mai bine peste 9.000 de pacienți cu diverse afecțiuni. Cercetătorii se așteaptă ca tehnica să îmbunătățească acuratețea și să reducă timpul și costul descoperirii și dezvoltării medicamentelor, iar totodată să accelereze medicina de precizie.
Călătoria dintre identificarea unui potențial compus terapeutic și aprobarea de la Food and Drug Administration (FDA) a unui nou medicament poate dura peste un deceniu și poate costa mai mult de un miliard de dolari.
Predicția puternică și precisă a răspunsurilor specifice ale pacientului la un nou compus chimic este esențială pentru a descoperi terapii sigure și eficiente și pentru selectarea unui medicament existent pentru un anumit pacient. Cu toate acestea, este lipsit de etică și imposibil să se efectueze testarea timpurie a eficacității unui medicament în mod direct la oameni. Modelele de celule sau țesuturi sunt adesea folosite ca surogate al corpului uman pentru a evalua efectul terapeutic al unei molecule de medicament. Din păcate, adesea efectul medicamentului într-un tip de boală nu se corelează cu eficacitatea și toxicitatea medicamentului la pacienții umani. Acest decalaj este un factor major în costurile ridicate și ratele scăzute de productivitate ale descoperirii de medicamente.
“Noul nostru model de învățare automată poate face provocării de a traduce modelele de boli la oameni. CODE-AE folosește un design inspirat de biologie și profită de câteva progrese recente în învățarea automată. De exemplu, una dintre componentele sale folosește tehnici similare în generarea de imagini Deepfake.”, a spus Lei Xie, profesor de informatică, biologie și biochimie la CUNY Graduate Center și Hunter College și autor principal al lucrării.
„Noul model poate oferi o soluție în problema insuficienței datelor despre pacienți, antrenând un model generalizat de învățare automată. Deși au fost dezvoltate multe metode pentru a utiliza ecranele celulare pentru a prezice răspunsurile clinice, performanțele lor sunt nesigure din cauza incongruenței și a discrepanțelor. CODE-AE poate extrage semnale biologice intrinseci și a atenuat eficient problema discrepanței datelor.” , a spus You Wu, doctorat al CUNY Graduate Center și coautor al lucrării.
Ca rezultat, CODE-AE îmbunătățește în mod semnificativ acuratețea față de metodele de ultimă generație, pentru prezicerea răspunsurilor la medicamente specifice pacientului.
Următoarea provocare a echipei de cercetare în promovarea utilizării tehnologiei în descoperirea medicamentelor este dezvoltarea unei modalități prin care CODE-AE să prezică în mod fiabil efectul concentrației și metabolizării unui nou medicament în corpurile umane. Cercetătorii au remarcat, de asemenea, că modelul AI ar putea fi modificat pentru a prezice cu exactitate efectele secundare umane ale medicamentelor.
Această tehnică ar putea accelera semnificativ descoperirea medicamentelor și medicina de precizie.
Cercetarea a fost publicată în publicația Nature Machine Intelligence.
Articol de Cristina Zarioiu
