راه‌حل تازه برای افزایش اثربخشی داروها

یک مدل جدید هوش مصنوعی که توسط دانشمندان کالج شهری نیویورک توسعه یافته است، قادر خواهد بود واکنش انسان به ترکیبات دارویی جدید را به طور دقیق پیش‌بینی کند. علاوه بر این، هزینه کمتری دارد و روش سریع‌تری است.

این مدل که در مجله Nature Mature Intelligence منتشر شده، می‌تواند به طور قابل توجهی سرعت داروسازی و توسعه دقیق داروها را افزایش دهد.

این مدل جدید موسوم به CODE-AE می‌تواند مولکول‌های دارویی کاملاً جدید را غربال کند و اثربخشی آنها را در افراد به طور قابل اعتماد پیش‌بینی کند. این مدل در آزمایشات انجام شده همچنین قادر به یافتن داروهای مناسب بالقوه موثرتر برای بیش از ۹۰۰۰ بیمار بود.

پیش‌بینی دقیق و قابل اعتماد واکنش‌های خاص بیمار به یک مولکول شیمیایی جدید برای یافتن درمان‌های ایمن و مؤثر و انتخاب داروی موجود برای یک بیمار خاص ضروری است. با این حال، آزمایش مستقیم اثربخشی اولیه یک داروی جدید بر روی انسان، غیراخلاقی و غیرممکن است. در این مطالعه آمده است که برای ارزیابی اثربخشی درمانی یک مولکول دارویی، مدل‌های سلولی یا بافتی بدن انسان اغلب مورد استفاده قرار می‌گیرد.

متأسفانه، اثربخشی و سمیت درمان در بیماران واقعی اغلب با تأثیر دارویی در یک مدل بیماری مطابقت ندارد.

"یک مدل جدید هوش مصنوعی که توسط دانشمندان کالج شهری نیویورک توسعه یافته است، قادر خواهد بود واکنش انسان به ترکیبات دارویی جدید را به طور دقیق پیش‌بینی کند"این شکاف دانش در درجه اول باعث هزینه بالا و نرخ پایین بهره‌وری کشف و توسعه داروها می‌شود.

پروفسور لی ژی استاد علوم کامپیوتر، زیست شناسی و بیوشیمی در مرکز فارغ التحصیلان کالج شهری نیویورک و نویسنده ارشد این مقاله می‌گوید: مدل یادگیری ماشینی جدید ما می‌تواند این چالش کهنه را حل و فصل کند.

مدل هوش مصنوعی CODE-AE از طراحی الهام گرفته از زیست شناسی استفاده می‌کند و از چندین پیشرفت اخیر در فناوری یادگیری ماشین نیز بهره می‌برد. به عنوان مثال، یکی از اجزای آن از تکنیک‌های مشابه در تولید تصاویر جعل عمیق(Deepfake) استفاده می‌کند.

یک راه حل جدید

این رویکرد جدید می‌تواند راه حلی برای مسئله نداشتن اطلاعات کافی بیمار برای آموزش یک مدل گسترده یادگیری ماشینی ارائه دهد.

ژی می‌گوید: اگرچه روش‌های زیادی برای استفاده از سلول‌ها برای پیش‌بینی پاسخ‌های بالینی ایجاد شده‌اند، اما عملکرد آنها به دلیل ناهماهنگی و اختلاف داده‌ها غیرقابل اعتماد است. اکنون CODE-AE می‌تواند سیگنال‌های بیولوژیکی ذاتی پنهان مانده و عوامل مخدوش کننده نتایج را استخراج کند و به طور موثر مشکل اختلاف داده‌ها را کاهش دهد.

وی افزود: مدل CODE-AE هنگام پیش‌بینی پاسخ‌های دارویی خاص بیمار از نظر دقت و استحکام بسیار بهتر از روش‌های پیشین عمل می‌کند.

برنامه‌های آینده

وظیفه بعدی این تیم تحقیقاتی که توسط موسسه ملی علوم پزشکی عمومی و موسسه ملی پیری آمریکا حمایت می‌شود، ایجاد روشی برای CODE-AE به منظور پیش‌بینی دقیق تأثیر غلظت و متابولیسم داروی جدید در بدن انسان است.

محققان همچنین خاطرنشان کردند که این مدل هوش مصنوعی می‌تواند برای پیش‌بینی دقیق اثرات نامطلوب داروها در انسان تنظیم شود.

۵۸۵۸