Ein chinesisches Team hat erfolgreich KI entwickelt, um geeignete Medikamente für Krebspatienten vorherzusagen, und die Ergebnisse wurden in der Unterzeitschrift „Nature' veröffentlicht

Mit nur einer KI können die klinischen Reaktionen von 9.808 Krebspatienten auf Medikamente vollständig vorhergesagt werden.

Und die Ergebnisse stimmen mit klinischen Beobachtungen überein.

Dies ist das neueste Ergebnis des CODE-AE (kontextbewusster Dekonfundierungs-Autoencoder) von Lei Xies Team an der City University of New York.

Es schlägt ein neuartiges kontextbezogenes Autokodierungsmodell vor, das die spezifischen Reaktionen verschiedener Patienten auf Medikamente vorhersagen kann.

Dies wird erhebliche Auswirkungen auf die Entwicklung neuer Medikamente und klinische Studien haben.

Wissen Sie, nach dem traditionellen Modell dauert es fast 10 Jahre, ein neues Medikament zu entwickeln, zu testen und vollständig zu vermarkten, und die verbrauchten Mittel sind beispiellos riesig und erreichen leicht eine Milliarde US-Dollar.

Der Zyklus ist so lang, weil die Reaktion neuer Medikamente im menschlichen Körper schwer vorherzusagen ist und oft wiederholte Versuche zum Testen erforderlich sind.

Wenn KI mithilfe von Daten Vorhersagen treffen kann, wird dies die Zeit bis zur Markteinführung neuer Medikamente erheblich verkürzen und die Kosten senken.

Derzeit wurde diese Forschung in der Nature-Unterzeitschrift „Nature Machine Intelligence“ veröffentlicht.

Keine starke Abhängigkeit mehr von klinischen Daten

Einfach ausgedrückt: CODE-AE verwendet Daten aus der In-vitro-Zellvalidierung neuer Arzneimittel, um die Reaktion des Arzneimittels im menschlichen Körper vorherzusagen .

Dadurch wird die Abhängigkeit des KI-Modelltrainings von klinischen Patientendaten vermieden.

Der Hauptgrund, warum KI in der Vergangenheit bei der Vorhersage des klinischen Ansprechens nicht sehr effektiv war, ist, dass es zu schwierig ist, umfangreiche und kontinuierliche Daten zum klinischen Ansprechen zu sammeln.

Aus Mechanismussicht unterteilen Forscher Arzneimittelbiomarker in Quelldomäne und Zieldomäne.

Die Quelldomäne stellt eine andere Domäne als die Testprobe dar, verfügt jedoch über umfangreiche Überwachungsinformationen, die als In-vitro-Zellverifizierungsdaten verstanden werden können.

Die Zieldomäne ist die Domäne, in der sich die Testprobe befindet. Sie hat keine oder nur wenige Etiketten, also Patientendaten.

Ordnen Sie Datenmerkmale aus verschiedenen Feldern demselben Merkmalsraum zu, sodass ihre Abstände in diesem Raum so gering wie möglich sind.

So kann die auf der Quelldomäne im Merkmalsraum trainierte Zielfunktion auf die Zieldomäne übertragen werden, um die Genauigkeit in der Zieldomäne zu verbessern.

Im Kontext dieser Forschung sind sowohl die Quelldomäne als auch die Zieldomäne Datenmerkmale von Arzneimittelbiomarkern, also Datenmerkmale von Arzneimittelzielen.

Konkret ist das Modellgerüst in drei Teile unterteilt: Vortraining, Feinabstimmung und Inferenz.

Das Vortraining nutzt hauptsächlich selbstüberwachtes Lernen, um ein Feature-Codierungsmodul zu erstellen, um die unbeschrifteten Genexpressionsprofile von In-vitro-Zelldaten und Patientendaten im Einbettungsraum abzubilden. Auf diese Weise können einige Störfaktoren eliminiert werden und die latente Verteilung der beiden Daten kann konsistent sein, um systematische Verzerrungen zu beseitigen.

Die Feinabstimmungsphase besteht darin, ein überwachtes Modell auf der Grundlage des Vortrainings hinzuzufügen und markierte In-vitro-Zelldaten für das Training zu verwenden.

Abschließend werden in der Inferenzphase die aus dem Vortraining gewonnenen Patienten zunächst disambiguiert und eingebettet, und dann wird das abgestimmte Modell verwendet, um die Reaktion des Patienten auf das Medikament vorherzusagen.

In diesem Modus weist CODE-AE zwei Eigenschaften auf.

Erstens kann es allgemeine biologische Signale und private Darstellungen in inkohärenten Proben extrahieren und so Interferenzen durch unterschiedliche Datenmuster beseitigen.

Zweitens kann nach der Trennung des Arzneimittelreaktionssignals und der Störfaktoren auch eine lokale Ausrichtung erreicht werden.

Zusammenfassend kann CODE-AE als der Prozess der Auswahl einzigartiger Merkmale im inkohärenten Datenmuster-Einbettungsraum von beschrifteten und unbeschrifteten Daten verstanden werden.

Um die Wirksamkeit des Modells zu demonstrieren, sagten die Forscher die Medikamenteneignung von 9.808 Krebspatienten voraus.

Wenn die vom Modell vorhergesagten Standortergebnisse für den Zustand des Patienten mit dem von ihm verwendeten Medikamentenziel in Zusammenhang stehen, beweist dies, dass die Vorhersage korrekt ist.

Die Forscher teilten dann die Patienten in 100 Cluster und die 59 Medikamente in 30 Cluster ein.

Durch diese Analysemethode können Patienten mit ähnlichen Medikamentenreaktionsprofilen in Gruppen zusammengefasst werden.

Hier nehmen wir die Häufung von Patienten mit Plattenepithelkarzinomen der Lunge (LSCC) und Patienten mit nicht-kleinzelligem Lungenkrebs (NSCLC) als Beispiel.

Unter den 59 Medikamenten sind Gefitinib, AICAR und Gemcitabin die empfindlichsten Medikamente für LSCC.

Das Ziel von Gefitinib und AICAR ist unter anderem ein epidermaler Wachstumsfaktorrezeptor (EGFR), und Gemcitabin wird häufig zur Behandlung von nichtkleinzelligem Lungenkrebs ohne EGFR-Mutationen eingesetzt.

In der Arbeit wurde festgestellt, dass CODE-AE im Einklang mit der Wirkungsweise dieser Arzneimittel feststellte, dass Patienten, die Gefitinib und AICAR verwendeten, ähnliche Arzneimittelreaktionsprofile aufwiesen.

Mit anderen Worten: CODE-AE hat das richtige Ziel für die Patientenbehandlung entdeckt, das heißt, es kann anwendbare Medikamente vorhersagen.

Der korrespondierende Autor ist ein Absolvent der University of Science and Technology of China

Das oben genannte Forschungsteam stammt von der City University of New York.

Der korrespondierende Autor ist Lei Xie, die einen Bachelor-Abschluss in Polymerphysik an der Universität für Wissenschaft und Technologie in China erworben hat.

Abschluss mit einem Master-Abschluss in Informatik an der Rutgers University, aber mit einem Doktortitel in Chemie.

Es versteht sich, dass der nächste Schritt des Forschungsteams darin bestehen wird, die Vorhersagefunktion von CODE-AE in Bezug auf Konzentration und Metabolismus der klinischen Reaktion neuer Medikamente zu entwickeln.

Die Forscher sagten, dass das KI-Modell auch angepasst werden könnte, um die Nebenwirkungen von Medikamenten auf den menschlichen Körper vorherzusagen.

Erwähnenswert ist, dass sich die Unterzeitschrift „Nature Machine Intelligence“ von Nature speziell auf die interdisziplinäre angewandte Forschung in den Bereichen künstliche Intelligenz und Biowissenschaften konzentriert und jedes Jahr durchschnittlich etwa 60 Beiträge enthält.

Papieradresse: https://www.nature.com/articles/s42256-022-00541-0

Referenzlink: https://phys.org/news/2022-10-ai-accurately-human-response -drug.html

Das obige ist der detaillierte Inhalt vonEin chinesisches Team hat erfolgreich KI entwickelt, um geeignete Medikamente für Krebspatienten vorherzusagen, und die Ergebnisse wurden in der Unterzeitschrift „Nature' veröffentlicht. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!