Нова модель штучного інтелекту може точно передбачити реакцію людини на нові препарати

Шлях від виявлення потенційної терапевтичної сполуки до її схвалення регуляторними органами в якості нового препарату може займати більше 10 років і коштувати більше 1 млрд дол. США. Дослідницька група CUNY Graduate Center створила модель штучного інтелекту, яка може значно підвищити точність і скоротити час і вартість процесу розробки нових лікарських засобів.

Описана в нещодавно опублікованій статті в «Nature Machine Intelligence» нова модель під назвою CODE-AE може перевіряти кандидати в препарати для точного прогнозування ефективності їх застосування у людей. Під час випробувань нова модель також змогла теоретично визначити персоналізовані ліки для понад 9 тис. пацієнтів, які могли б бути більш ефективними при їхніх захворюваннях. Дослідники очікують, що ця нова модель значно прискорить розробку та дослідження нових лікарських засобів.

Точне та надійне передбачення відповіді пацієнта на застосування нової хімічної сполуки має вирішальне значення для виявлення безпечних та ефективних терапевтичних засобів і вибору препарату для конкретного пацієнта. Проте неможливо проводити раннє тестування ефективності лікарського засобу безпосередньо на людях. Клітинні або тканинні моделі часто використовуються як сурогат людського тіла для оцінки терапевтичного ефекту молекули. 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 розробки нових лікарських засобів.

«Наша нова модель машинного навчання може вирішити проблему переносу даних, отриманих на моделях хвороб, на людей», — зазначив Лей Се (Lei Xie), професор інформатики, біології та біохімії в Центрі вищих навчальних закладів CUNY (CUNY Graduate Center) та Коледжі Хантера (Hunter College). — CODE-AE використовує дизайн, натхненний біологією, і кілька останніх досягнень у машинному навчанні. Наприклад, один з його компонентів використовує подібні методи для створення зображень Deepfake».

Як зауважив Ю Ву (You Wu), доктор філософії з аспірантського центру CUNY, нова модель може забезпечити вирішення проблеми наявності достатньої кількості даних про пацієнта для узагальненої моделі машинного навчання. «Хоча було розроблено багато методів використання скринінгу клітинних ліній для прогнозування клінічних реакцій, їх результати не надійні через невідповідність даних і розбіжності, — підкреслив  Ю Ву. — CODE-AE може виділяти внутрішні біологічні сигнали, замасковані шумом та іншими факторами, і ефективно усунути проблему невідповідності даних».

У результаті CODE-AE значно покращує точність і надійність у порівнянні з найсучаснішими методами прогнозування специфічної реакції пацієнта на ліки винятково на основі скринінгу сполук у клітинній лінії.

Наступним завданням для дослідницької групи є розробка способу надійного прогнозування ефекту концентрації та метаболізму нового препарату в організмі людини за допомогою CODE-AE. Учені також відзначили, що модель штучного інтелекту потенційно може бути налаштована для точного прогнозування побічних ефектів ліків при застосуванні у людини.

За матеріалами www.phys.org