Путь от определения потенциального терапевтического соединения до одобрения нового лекарства Управлением по санитарному надзору за качеством пищевых продуктов и медикаментов может занять более десяти лет и стоить более миллиарда долларов. Исследовательская группа Центра выпускников CUNY создала модель искусственного интеллекта, которая может значительно повысить точность и сократить время и стоимость процесса разработки лекарств. Новая модель, названная CODE-AE, описанная в недавно опубликованной статье в журнале Nature Machine Intelligence, может проверять новые лекарственные соединения для точного прогнозирования эффективности .в людях. В ходе испытаний также теоретически удалось определить персонализированные лекарства для более чем 9000 пациентов, которые могли бы лучше лечить их заболевания. Исследователи ожидают, что этот метод значительно ускорит открытие лекарств и прецизионную медицину.

Точное и надежное прогнозирование реакции конкретного пациента на новое химическое соединение имеет решающее значение для открытия безопасных и эффективных терапевтических средств и выбора существующего препарата для конкретного пациента. Однако неэтично и неосуществимо проводить раннее тестирование эффективности лекарства непосредственно на людях. Клеточные или тканевые модели часто используются в качестве суррогата человеческого тела для оценки терапевтического эффекта молекулы лекарства. 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 высокой стоимости и низкой производительности разработки лекарств.

Наша новая модель машинного обучения может решить проблему перевода моделей заболеваний на человека. CODE-AE использует дизайн, вдохновленный биологией, и использует преимущества нескольких последних достижений в области машинного обучения. Например, один из его компонентов использует аналогичные методы для создания изображений Deepfake».

Лей Се, профессор компьютерных наук, биологии и биохимии, CUNY Graduate Center и Hunter College, старший автор Paper

Новая модель может решить проблему наличия достаточного количества данных о пациентах для обучения обобщенной модели машинного обучения, сказал Ю Ву, доктор философии Центра выпускников CUNY. студентка и соавтор статьи. «Хотя было разработано множество методов использования скрининга клеточных линий для прогнозирования клинических ответов, их эффективность ненадежна из-за несоответствия данных и расхождений», — сказал Ву. «CODE-AE может извлекать внутренние биологические сигналы, замаскированные шумом и искажающими факторами, и эффективно решить проблему несоответствия данных».

В результате CODE-AE значительно повышает точность и надежность по сравнению с современными методами прогнозирования специфических реакций пациентов на лекарства исключительно на основе скрининга соединений клеточной линии.

Следующей задачей исследовательской группы в продвижении использования технологии для открытия лекарств является разработка способа для CODE-AE надежно предсказывать влияние концентрации нового лекарства и его метаболизма в организме человека. Исследователи также отметили, что модель ИИ потенциально может быть настроена для точного прогнозирования побочных эффектов лекарств у человека.

Эта работа была поддержана Национальным институтом общих медицинских наук и Национальным институтом старения.