Μεταξύ του εντοπισμού μιας πιθανής θεραπευτικής ένωσης και της έγκρισης ενός νέου φαρμάκου από τον Οργανισμό Τροφίμων και Φαρμάκων των ΗΠΑ (FDA) υπάρχει μια διαδικασία, αυτή των εργαστηριακών ελέγχων, που μπορεί να διαρκέσει περισσότερο από μια δεκαετία και να κοστίσει πάνω από ένα δισεκατομμύριο δολάρια.
Μια ομάδα ερευνητών στο CUNY Graduate Center ανέπτυξε ένα νέο μοντέλο τεχνητής νοημοσύνης που θα μπορούσε να βελτιώσει σημαντικά την ακρίβεια και να μειώσει το χρόνο και το κόστος της διαδικασίας ανάπτυξης φαρμάκων.
Όπως περιγράφεται σε ένα έγγραφο που θα δημοσιευτεί στο Nature Machine Intelligence, το νέο μοντέλο, που ονομάζεται CODE-AE, μπορεί να ελέγξει νέες φαρμακευτικές ενώσεις για να προβλέψει με ακρίβεια την αποτελεσματικότητά τους στον άνθρωπο. Σε δοκιμαστική φάση, βρίσκεται και η δυνατότητα να αναγνωρίζει θεωρητικά εξατομικευμένα φάρμακα για περισσότερους από 9.000 ασθενείς που θα μπορούσαν να θεραπεύσουν καλύτερα την πάθησή τους.
Οι επιστήμονες αναμένουν ότι η τεχνική θα επιταχύνει σημαντικά την ανακάλυψη φαρμάκων και την ιατρική ακριβείας.
Η ακριβής και ισχυρή πρόβλεψη των ειδικών για τον ασθενή σε μια νέα χημική ένωση είναι κρίσιμη για την ανακάλυψη ασφαλών και αποτελεσματικών θεραπειών και την επιλογή ενός υπάρχοντος φαρμάκου για έναν συγκεκριμένο ασθενή.
Ωστόσο, είναι ανήθικο και ανέφικτο να γίνεται πρώιμος έλεγχος αποτελεσματικότητας ενός φαρμάκου απευθείας σε ανθρώπους. Τα μοντέλα κυττάρων ή ιστών χρησιμοποιούνται συχνά ως υποκατάστατο του ανθρώπινου σώματος για την αξιολόγηση της θεραπευτικής επίδρασης ενός μορίου φαρμάκου.
Δυστυχώς, η επίδραση του φαρμάκου σε ένα μοντέλο ασθένειας συχνά δεν συσχετίζεται με την αποτελεσματικότητα και την τοξικότητα του φαρμάκου στους ασθενείς. Αυτό το κενό γνώσης είναι ένας σημαντικός παράγοντας που οδηγεί στο υψηλό κόστος και τα χαμηλά ποσοστά παραγωγικότητας στον κλάδο της εύρεσης νέων φαρμάκων.
«Το νέο μας μοντέλο μηχανικής μάθησης μπορεί να αντιμετωπίσει τη μεταφραστική πρόκληση από τα μοντέλα ασθενειών στους ανθρώπους», δήλωσε ο Lei Xie.
«Η CODE-AE χρησιμοποιεί σχεδιασμό εμπνευσμένο από τη βιολογία και εκμεταλλεύεται αρκετές πρόσφατες εξελίξεις στην τεχνιτή νοημοσύνη. Για παράδειγμα, παρόμοιες τεχνικές χρησιμοποιούνται και στη δημιουργία εικόνων Deepfake».
Το νέο μοντέλο μπορεί να προσφέρει μια λύση στο πρόβλημα της ύπαρξης επαρκών δεδομένων ασθενών για την εκπαίδευση ενός γενικευμένου μοντέλου μηχανικής μάθησης, δήλωσε ο You Wu.
«Αν και έχουν αναπτυχθεί πολλές μέθοδοι για τη χρήση οθονών κυτταρικής γραμμής για την πρόβλεψη κλινικών αποκρίσεων, οι επιδόσεις τους είναι αναξιόπιστες λόγω ασυνέπειας και αποκλίσεων δεδομένων», είπε ο Wu. «Το CODE-AE μπορεί να εξάγει εγγενή βιολογικά σήματα που καλύπτονται από θόρυβο και παράγοντες σύγχυσης και να μετριάσει αποτελεσματικά το πρόβλημα της ασυμφωνίας δεδομένων».
Ως αποτέλεσμα, το CODE-AE βελτιώνει σημαντικά την ακρίβεια και την ευρωστία έναντι των υπαρχουσών μεθόδων στην πρόβλεψη ανταποκρίσεων φαρμάκων ειδικά για τον ασθενή, καθαρά από διαλογές κυτταρικής γραμμής.
