Neues KI-Modell kann die Reaktion des Menschen auf neue Arzneimittelwirkstoffe genau vorhersagen

Die Technik könnte die Arzneimittelentdeckung und die Präzisionsmedizin erheblich beschleunigen

19.10.2022 - USA

Der Weg von der Identifizierung eines potenziellen therapeutischen Wirkstoffs bis zur Zulassung eines neuen Medikaments durch die Food and Drug Administration kann weit über ein Jahrzehnt dauern und mehr als eine Milliarde Dollar kosten. Ein Forscherteam am CUNY Graduate Center hat ein Modell der künstlichen Intelligenz entwickelt, das die Genauigkeit deutlich verbessern und den Zeit- und Kostenaufwand für die Arzneimittelentwicklung verringern könnte. Das neue Modell mit der Bezeichnung CODE-AE, das in einem kürzlich in Nature Machine Intelligence veröffentlichten Artikel beschrieben wird, kann neuartige Wirkstoffe untersuchen und die Wirksamkeit beim Menschen genau vorhersagen. In Tests war es auch in der Lage, theoretisch personalisierte Medikamente für über 9.000 Patienten zu identifizieren, die ihre Krankheiten besser behandeln könnten. Die Forscher gehen davon aus, dass diese Technik die Arzneimittelentdeckung und die Präzisionsmedizin erheblich beschleunigen wird.

Eine genaue und robuste Vorhersage der patientenspezifischen Reaktionen auf eine neue chemische Verbindung ist entscheidend für die Entdeckung sicherer und wirksamer Therapeutika und die Auswahl eines bestehenden Medikaments für einen bestimmten Patienten. Es ist jedoch unethisch und undurchführbar, die Wirksamkeit eines Medikaments in einem frühen Stadium direkt am Menschen zu testen. Zell- oder Gewebemodelle werden häufig als Ersatz für den menschlichen Körper verwendet, um die therapeutische Wirkung eines Arzneimittelmoleküls zu bewerten. Leider korreliert die Arzneimittelwirkung in einem Krankheitsmodell oft nicht mit der Wirksamkeit und Toxizität des Medikaments bei menschlichen Patienten. Diese Wissenslücke ist einer der Hauptgründe für die hohen Kosten und die geringe Produktivität der Arzneimittelforschung.

"Unser neues Modell für maschinelles Lernen kann das Problem der Übertragung von Krankheitsmodellen auf den Menschen lösen", so Lei Xie, Professor für Informatik, Biologie und Biochemie am CUNY Graduate Center und Hunter College und Hauptautor der Studie. "CODE-AE verwendet ein von der Biologie inspiriertes Design und macht sich einige der jüngsten Fortschritte im maschinellen Lernen zunutze. Eine seiner Komponenten nutzt zum Beispiel ähnliche Techniken bei der Erzeugung von Deepfake-Bildern."

Das neue Modell kann eine Lösung für das Problem bieten, dass nicht genügend Patientendaten zur Verfügung stehen, um ein verallgemeinertes maschinelles Lernmodell zu trainieren, sagte You Wu, Doktorand am CUNY Graduate Center und Mitautor der Arbeit. "Obwohl viele Methoden entwickelt wurden, um Zelllinien-Screens für die Vorhersage klinischer Reaktionen zu nutzen, sind ihre Leistungen aufgrund von Dateninkongruenzen und Diskrepanzen unzuverlässig", sagte Wu. "CODE-AE ist in der Lage, intrinsische biologische Signale zu extrahieren, die durch Rauschen und Störfaktoren maskiert werden, und das Problem der Daten-Diskrepanz effektiv zu lösen."

Infolgedessen verbessert CODE-AE die Genauigkeit und Robustheit im Vergleich zu modernsten Methoden bei der Vorhersage patientenspezifischer Arzneimittelreaktionen allein auf der Grundlage von Zelllinien-Screens erheblich.

Die nächste Herausforderung für das Forscherteam bei der Weiterentwicklung der Technologie in der Arzneimittelforschung ist die Entwicklung einer Methode, mit der CODE-AE die Auswirkungen der Konzentration und des Metabolismus eines neuen Medikaments im menschlichen Körper zuverlässig vorhersagen kann. Die Forscher wiesen auch darauf hin, dass das KI-Modell möglicherweise optimiert werden könnte, um die Nebenwirkungen von Medikamenten beim Menschen genau vorherzusagen.

Hinweis: Dieser Artikel wurde mit einem Computersystem ohne menschlichen Eingriff übersetzt. LUMITOS bietet diese automatischen Übersetzungen an, um eine größere Bandbreite an aktuellen Nachrichten zu präsentieren. Da dieser Artikel mit automatischer Übersetzung übersetzt wurde, ist es möglich, dass er Fehler im Vokabular, in der Syntax oder in der Grammatik enthält. Den ursprünglichen Artikel in Englisch finden Sie hier.

Originalveröffentlichung

He, D., Liu, Q., Wu, Y. et al. A context-aware deconfounding autoencoder for robust prediction of personalized clinical drug response from cell-line compound screening. Nat Mach Intell (2022)

https://www.bionity.com/de/news/1178159/neues-ki-modell-kann-die-reaktion-des-menschen-auf-neue-arzneimittelwirkstoffe-genau-vorhersagen.html

Originalveröffentlichung

He, D., Liu, Q., Wu, Y. et al. A context-aware deconfounding autoencoder for robust prediction of personalized clinical drug response from cell-line compound screening. Nat Mach Intell (2022)

Themen