Der Weg von der Entdeckung eines potenziellen therapeutischen Wirkstoffs bis zu seiner Zulassung durch die Aufsichtsbehörden als neues Medikament kann mehr als 10 Jahre dauern und mehr als 1 Milliarde US-Dollar kosten.
Ein Forschungsteam des CUNY Graduate Center hat ein künstliches Intelligenzmodell entwickelt, das die Genauigkeit erheblich verbessern und Zeit und Kosten des Arzneimittelentwicklungsprozesses reduzieren kann.
Wie in einem kürzlich in Nature Machine Intelligence veröffentlichten Artikel beschrieben, kann ein neues Modell namens CODE-AE Kandidatenmedikamente auswählen und ihre Wirksamkeit beim Menschen genau vorhersagen. In Studien konnte das neue Modell mehr als 9.000 Patienten mit personalisierter Medizin identifizieren, die theoretisch für ihre Krankheit wirksam sein könnten. Die Forscher erwarten, dass das neue Modell die Entwicklung und Entdeckung neuer Medikamente deutlich beschleunigen wird.
Die genaue und zuverlässige Vorhersage der Reaktion eines Patienten auf die Verwendung einer neuen chemischen Verbindung ist entscheidend für die Identifizierung einer sicheren und wirksamen Behandlung und die Auswahl eines Medikaments für einen bestimmten Patienten. Es ist jedoch nicht möglich, die Wirksamkeit dieser Medikamente direkt am Menschen vorab zu testen. Zell- oder Gewebemodelle werden oft als Ersatz für den menschlichen Körper verwendet, um die therapeutische Wirkung eines Moleküls zu bewerten. Leider korreliert die Wirkung eines Medikaments auf ein Krankheitsmodell oft nicht mit der Wirksamkeit und Toxizität des Medikaments bei Patienten. Diese Wissenslücke ist ein Hauptgrund für die hohen Kosten und die geringe Produktivität der Entwicklung neuer Medikamente.
Unser neues maschinelles Lernmodell kann das Problem der Übertragung von Daten von Krankheitsmodellen auf Menschen lösen. CODE-AE verwendet biologisches Design und jüngste Fortschritte, die durch maschinelles Massenlernen inspiriert sind. Zum Beispiel verwendet eine seiner Komponenten die gleiche Technik, um tiefe falsche Bilder zu erzeugen.”
Lei Xie, Professor für Informatik, Biologie und Biochemie am CUNY Graduate Center und Hunter College.
Wie You Wu, Ph.D., vom CUNY Graduate Center feststellte, könnte das neue Modell eine Lösung für das Problem bieten, dass genügend Patientendaten für ein verallgemeinertes maschinelles Lernmodell vorhanden sind. „Obwohl mehrere Methoden entwickelt wurden, um mithilfe des Zelllinien-Screenings das klinische Ansprechen vorherzusagen, sind ihre Ergebnisse aufgrund von Inkonsistenzen und Unterschieden in den Daten unzuverlässig“, betonte Yu Wu. “CODE-AE kann interne biologische Signale hervorheben, die durch Rauschen und andere Faktoren maskiert sind, wodurch das Problem von Dateninkonsistenzen effektiv beseitigt wird.”
Folglich verbessert CODE-AE die Genauigkeit und Zuverlässigkeit von hochmodernen patientenspezifischen Vorhersagen des Ansprechens auf Arzneimittel, die ausschließlich auf Zelllinieninteraktionen basieren.
Die nächste Aufgabe des Forschungsteams ist es, mit CODE-AE eine Methode zu entwickeln, mit der sich Konzentration und Stoffwechselwirkung neuer Medikamente im menschlichen Körper zuverlässig vorhersagen lassen. Die Wissenschaftler fanden auch heraus, dass das KI-Modell besser verwendet werden könnte, um Nebenwirkungen von Medikamenten bei der Anwendung beim Menschen genau vorherzusagen.
