Het traject van de ontdekking van een potentiële therapeutische verbinding tot de goedkeuring ervan door de regelgevende instanties als nieuw geneesmiddel kan meer dan 10 jaar in beslag nemen en meer dan een miljard dollar kosten.
Een onderzoeksteam van het CUNY Graduate Center heeft een model van kunstmatige intelligentie ontwikkeld dat de nauwkeurigheid van het ontwikkelingsproces van geneesmiddelen aanzienlijk kan verbeteren en de tijd en kosten ervan kan verminderen.
Zoals beschreven in een recent artikel, gepubliceerd in Nature Machine Intelligence, kan een nieuw model, CODE-AE genaamd, kandidaat-geneesmiddelen selecteren en hun doeltreffendheid bij mensen nauwkeurig voorspellen. In proeven heeft het nieuwe model meer dan 9.000 patiënten kunnen identificeren met een gepersonaliseerd geneesmiddel dat in theorie effectief zou kunnen zijn voor hun ziekte. De onderzoekers verwachten dat het nieuwe model de ontwikkeling en ontdekking van nieuwe geneesmiddelen aanzienlijk zal versnellen.
Het nauwkeurig en betrouwbaar voorspellen van de reactie van een patiënt op het gebruik van een nieuwe chemische verbinding is essentieel voor het identificeren van een veilige en effectieve behandeling en het selecteren van een geneesmiddel voor een specifieke patiënt. Het is echter niet mogelijk de doeltreffendheid van deze geneesmiddelen rechtstreeks bij de mens te testen. Cel- of weefselmodellen worden vaak gebruikt als surrogaat voor het menselijk lichaam om de therapeutische effecten van een molecule te beoordelen. Helaas correleert het effect van een geneesmiddel in een ziektemodel vaak niet met de werkzaamheid en toxiciteit van het geneesmiddel bij patiënten. Dit gebrek aan kennis is een van de belangrijkste redenen voor de hoge kosten en de lage productiviteit van de ontwikkeling van nieuwe geneesmiddelen.
Ons nieuwe model voor machinaal leren kan het probleem van de overdracht van gegevens van ziektemodellen naar mensen oplossen. CODE-AE maakt gebruik van biologisch ontwerp en recente vooruitgang geïnspireerd door bulk machine learning. Een van zijn componenten gebruikt bijvoorbeeld dezelfde techniek om valse diepe beelden te creëren,
Lei Xie, hoogleraar computerwetenschappen, biologie en biochemie aan het CUNY Graduate Center en Hunter College.
Zoals You Wu, Ph.D., van het CUNY Graduate Center opmerkte, kan het nieuwe model een oplossing bieden voor het probleem van het hebben van voldoende patiëntgegevens voor een gegeneraliseerd model voor machinaal leren. “Hoewel er verschillende methoden zijn ontwikkeld om cellijnscreening te gebruiken om de klinische respons te voorspellen, zijn hun resultaten onbetrouwbaar vanwege inconsistenties en verschillen in de gegevens,” merkte Yu Wu op. “CODE-AE kan de interne biologische signalen benadrukken die door ruis en andere factoren worden gemaskeerd, waardoor het probleem van inconsistenties in de gegevens effectief wordt geëlimineerd.”
Als gevolg daarvan verbetert CODE-AE de nauwkeurigheid en betrouwbaarheid van geavanceerde voorspellingen van patiëntspecifieke geneesmiddelenreacties die uitsluitend gebaseerd zijn op interacties tussen cellijnen.
De volgende taak van het onderzoeksteam bestaat erin CODE-AE te gebruiken om een methode te ontwikkelen waarmee de concentratie en metabolische effecten van nieuwe geneesmiddelen in het menselijk lichaam betrouwbaar kunnen worden voorspeld. De wetenschappers ontdekten ook dat het AI-model beter kan worden gebruikt om de bijwerkingen van geneesmiddelen bij gebruik bij mensen nauwkeurig te voorspellen.
