Штучний інтелект може точно передбачити реакцію людини на нові лікарські сполуки.

Штучний інтелект може точно передбачити реакцію людини на нові лікарські сполуки.

Між визначенням потенційної терапевтичної сполуки та схваленням нового препарату Управлінням з контролю за якістю харчових продуктів і медикаментів США (FDA) — важкий шлях, який може зайняти більше десяти років і коштувати більше мільярда доларів. Команда дослідників з CUNY Graduate Center розробила нову модель штучного інтелекту, яка може значно підвищити точність і скоротити час і вартість процесу розробки ліків.

В Nature Machine Intelligence, нова модель під назвою CODE-AE може перевіряти нові лікарські сполуки для точного прогнозування ефективності у людей. Під час випробувань він також зміг теоретично визначити персоналізовані ліки для понад 9000 пацієнтів, які могли б краще лікувати їхні захворювання. Вчені очікують, що ця техніка значно прискорить відкриття ліків і точну медицину.

Точне та надійне передбачення відповідей пацієнта на нову хімічну сполуку має вирішальне значення для виявлення безпечних та ефективних терапевтичних засобів і вибору існуючого препарату для конкретного пацієнта. Проте неетично та неможливо проводити раннє тестування ефективності препарату безпосередньо на людях. Клітинні або тканинні моделі часто використовуються як сурогат людського тіла для оцінки терапевтичного ефекту молекули ліків. На жаль, ефект препарату на моделі захворювання часто не корелює з ефективністю та токсичністю препарату у пацієнтів. Ця прогалина в знаннях є основним чинником високих витрат і низького рівня продуктивності відкриття ліків.

«Наша нова модель машинного навчання може вирішити проблему трансляції від моделей хвороб до людей», — сказав Лей Се, професор інформатики, біології та біохімії в Центрі вищих навчальних закладів CUNY та Коледжі Хантера та старший автор статті. «CODE-AE використовує дизайн, натхненний біологією, і використовує кілька останніх досягнень машинного навчання. Наприклад, один із його компонентів використовує подібні методи для створення зображень Deepfake».

Нова модель може забезпечити вирішення проблеми наявності достатньої кількості даних про пацієнтів для навчання узагальненої моделі машинного навчання, сказав Ю Ву, доктор філософії з аспірантського центру CUNY. студент та співавтор статті. «Хоча було розроблено багато методів використання скринінгу клітинних ліній для прогнозування клінічних реакцій, їх результати ненадійні через невідповідність даних і розбіжності», — сказав Ву. «CODE-AE може виділяти внутрішні біологічні сигнали, замасковані шумом і змішуючими факторами, і ефективно усуває проблему невідповідності даних».

У результаті CODE-AE значно покращує точність і надійність у порівнянні з найсучаснішими методами прогнозування специфічних реакцій пацієнта на ліки виключно на основі скринінгу сполук клітинної лінії.

Наступним завданням для дослідницької групи є розробка методу CODE-AE для надійного прогнозування впливу концентрації та метаболізму нового препарату в організмі людини. Дослідники також відзначили, що модель штучного інтелекту потенційно може бути налаштована для точного прогнозування побічних ефектів ліків для людини.