بین شناسایی ترکیب درمانی بالقوه و تایید سازمان غذا و داروی ایالات متحده (FDA) برای یک داروی جدید، سفری دشوار است که می‌تواند بیش از یک دهه طول بکشد و بیش از یک میلیارد دلار هزینه داشته باشد. تیمی از محققان در مرکز فارغ التحصیلان CUNY یک مدل هوش مصنوعی جدید ایجاد کرده اند که می تواند دقت را به میزان قابل توجهی بهبود بخشد و زمان و هزینه فرآیند تولید دارو را کاهش دهد.
هوش مصنوعی می تواند واکنش انسان به ترکیبات دارویی جدید را با دقت پیش بینی کند
مدل جدید به نام CODE-AE می تواند ترکیبات دارویی جدید را برای پیش بینی دقیق اثربخشی در انسان غربال کند. در آزمایشات، همچنین توانست از نظر تئوری داروهای شخصی سازی شده را برای بیش از 9000 بیمار شناسایی کند که می تواند شرایط آنها را بهتر درمان کند. دانشمندان انتظار دارند که این تکنیک به طور قابل توجهی کشف دارو و پزشکی دقیق را تسریع کند.
پیش‌بینی دقیق و قوی پاسخ‌های خاص بیمار به یک ترکیب شیمیایی جدید برای کشف درمان‌های ایمن و مؤثر و انتخاب یک داروی موجود برای یک بیمار خاص حیاتی است. با این حال، انجام آزمایش‌های اولیه اثربخشی دارو در انسان به‌طور مستقیم غیراخلاقی و غیرممکن است. مدل های سلولی یا بافتی اغلب به عنوان جایگزین بدن انسان برای ارزیابی اثر درمانی یک مولکول دارو استفاده می شود. متأسفانه، اثر دارو در یک مدل بیماری اغلب با اثربخشی و سمیت دارو در بیماران انسانی مرتبط نیست. این شکاف دانش عامل اصلی در هزینه های بالا و نرخ بهره وری پایین کشف دارو است.
لی زی، استاد علوم کامپیوتر، زیست شناسی و بیوشیمی در مرکز فارغ التحصیلان CUNY و کالج هانتر و نویسنده ارشد مقاله می گوید: «مدل یادگیری ماشینی جدید ما می تواند چالش ترجمه ای از مدل های بیماری به انسان را برطرف کند. CODE-AE از طراحی الهام گرفته از زیست شناسی استفاده می کند و از چندین پیشرفت اخیر در یادگیری ماشین بهره می برد. به عنوان مثال، یکی از اجزای آن از تکنیک های مشابه در تولید تصویر Deepfake استفاده می کند.
یو وو، دکترای مرکز فارغ التحصیلان CUNY گفت: مدل جدید می تواند راه حلی برای مشکل داشتن داده های کافی بیمار برای آموزش یک مدل یادگیری ماشین تعمیم یافته ارائه دهد. دانشجو و نویسنده مشترک مقاله وو گفت: «اگرچه روش‌های زیادی برای استفاده از صفحه‌نمایش‌های سلولی برای پیش‌بینی پاسخ‌های بالینی ایجاد شده‌اند، عملکرد آنها به دلیل ناهماهنگی و اختلاف داده‌ها غیرقابل اعتماد است.» CODE-AE می تواند سیگنال های بیولوژیکی ذاتی پوشانده شده توسط نویز و عوامل مخدوش کننده را استخراج کند و به طور موثر مشکل اختلاف داده ها را کاهش دهد.
در نتیجه، CODE-AE به طور قابل توجهی دقت و استحکام را نسبت به روش‌های پیشرفته در پیش‌بینی پاسخ‌های دارویی خاص بیمار صرفاً از روی صفحه نمایش ترکیبی سلولی بهبود می‌بخشد.
چالش بعدی تیم تحقیقاتی در پیشبرد استفاده از این فناوری در کشف دارو، ایجاد راهی برای CODE-AE است که به طور قابل اعتماد تأثیر غلظت و متابولیسم داروی جدید در بدن انسان را پیش‌بینی کند. محققان همچنین خاطرنشان کردند که مدل هوش مصنوعی می‌تواند به طور بالقوه برای پیش‌بینی دقیق عوارض جانبی داروها در انسان بهینه شود.
