Pasukan China berjaya membangunkan AI untuk meramalkan ubat yang sesuai untuk pesakit kanser, dan hasilnya diterbitkan dalam sub-jurnal Nature

Dengan hanya satu AI, tindak balas klinikal 9,808 pesakit kanser terhadap ubat boleh diramalkan sepenuhnya.

Dan hasilnya konsisten dengan pemerhatian klinikal.

Ini adalah hasil terbaharu CODE-AE (pengekod auto penyahkeliruan konteks) yang dibawa oleh pasukan Lei Xie di City University of New York.

Ia mencadangkan model autopengekodan kontekstual novel yang boleh meramalkan tindak balas khusus pesakit yang berbeza terhadap ubat.

Ini akan memberi impak yang besar terhadap pembangunan ubat baharu dan ujian klinikal.

Anda tahu, di bawah model tradisional, ia mengambil masa hampir 10 tahun untuk membangunkan, menguji dan memasarkan sepenuhnya ubat baharu, dan dana yang digunakan adalah sangat besar, dengan mudah mencecah 1 bilion dolar A.S..

Kitaran ini begitu lama kerana tindak balas ubat baru dalam tubuh manusia sukar untuk diramalkan, dan ujian berulang sering diperlukan untuk ujian.

Jika AI boleh menggunakan data untuk membuat ramalan, ia akan memendekkan masa dengan ketara untuk memasarkan ubat baharu dan mengurangkan kos.

Pada masa ini, penyelidikan ini telah diterbitkan dalam sub-jurnal Alam "Nature Machine Intelligence".

Tidak lagi banyak bergantung pada data klinikal

Ringkasnya, CODE-AE menggunakan data daripada pengesahan sel in vitro ubat baharu untuk meramalkan tindak balas ubat dalam tubuh manusia.

Ini mengelakkan pergantungan latihan model AI pada data klinikal pesakit.

Sebab terbesar mengapa AI tidak begitu berkesan dalam ramalan tindak balas klinikal pada masa lalu ialah terlalu sukar untuk mengumpul data tindak balas klinikal yang besar dan berterusan.

Dari perspektif mekanisme, penyelidik membahagikan biomarker ubat kepada domain sumber dan domain sasaran.

Domain sumber mewakili domain yang berbeza daripada sampel ujian, tetapi mempunyai maklumat penyeliaan yang kaya, yang boleh difahami sebagai data pengesahan sel in vitro.

Domain sasaran ialah domain di mana sampel ujian berada Ia tidak mempunyai label atau hanya beberapa label, iaitu data pesakit.

Petakan ciri data dalam medan berbeza ke dalam ruang ciri yang sama supaya jaraknya dalam ruang ini sedekat mungkin.

Jadi fungsi objektif yang dilatih pada domain sumber dalam ruang ciri boleh dipindahkan ke domain sasaran untuk meningkatkan ketepatan dalam domain sasaran.

Dalam konteks penyelidikan ini, kedua-dua domain sumber dan domain sasaran adalah ciri data biomarker ubat, iaitu ciri data sasaran dadah.

Melihat secara khusus rangka kerja model, ia terbahagi terutamanya kepada tiga bahagian: pra-latihan, penalaan halus dan inferens.

Pralatihan terutamanya menggunakan pembelajaran penyeliaan kendiri untuk membina modul pengekodan ciri untuk memetakan profil ekspresi gen yang tidak berlabel data sel in vitro dan data pesakit ke dalam ruang benam. Dengan cara ini, beberapa faktor yang mengelirukan boleh dihapuskan dan pengedaran terpendam kedua-dua data boleh konsisten untuk menghapuskan bias sistematik.

Peringkat penalaan halus adalah untuk menambah model diselia berdasarkan pra-latihan dan penggunaan data sel in vitro yang dilabelkan untuk latihan.

Akhir sekali, dalam peringkat inferens, pesakit yang diperolehi daripada pra-latihan mula-mula disambiguasi dan dibenamkan, dan kemudian model yang ditala digunakan untuk meramalkan tindak balas pesakit terhadap ubat tersebut.

Dalam mod ini, CODE-AE mempunyai dua ciri.

Pertama, ia boleh mengekstrak isyarat biologi biasa dan perwakilan peribadi dalam sampel yang tidak koheren, dengan itu menghapuskan gangguan yang disebabkan oleh corak data yang berbeza.

Kedua, selepas memisahkan isyarat tindak balas dadah dan faktor yang mengelirukan, penjajaran tempatan juga boleh dicapai.

Untuk meringkaskan, CODE-AE boleh difahami sebagai proses memilih ciri unik dalam ruang pembenaman corak data yang tidak koheren bagi data berlabel dan tidak berlabel.

Untuk menunjukkan keberkesanan model tersebut, para penyelidik meramalkan kesesuaian ubat bagi 9,808 pesakit kanser.

Sekiranya keputusan tapak yang diramalkan oleh model untuk keadaan pesakit berkaitan dengan sasaran ubat yang digunakannya, ia membuktikan ramalan itu betul.

Para penyelidik kemudian membahagikan pesakit kepada 100 kelompok dan 59 ubat kepada 30 kelompok.

Dengan kaedah analisis ini, pesakit dengan profil tindak balas ubat yang serupa boleh dikumpulkan bersama.

Di sini, kami mengambil kluster pesakit dengan karsinoma sel skuamosa paru-paru (LSCC) dan kanser paru-paru bukan sel kecil (NSCLC) sebagai contoh.

Antara 59 ubat, ubat yang paling sensitif untuk LSCC ialah gefitinib, AICAR dan gemcitabine.

Gefitinib dan AICAR kedua-duanya menyasarkan reseptor faktor pertumbuhan epidermis (EGFR), dan gemcitabine sering digunakan untuk merawat kanser paru-paru bukan sel kecil tanpa mutasi EGFR.

Makalah itu menyatakan bahawa, selaras dengan mod tindakan ubat-ubatan ini, CODE-AE mendapati bahawa pesakit yang menggunakan gefitinib dan AICAR mempunyai profil tindak balas ubat yang serupa.

Dalam erti kata lain, CODE-AE telah menemui sasaran yang betul untuk rawatan pesakit, iaitu, ia boleh meramalkan ubat yang berkenaan.

Penulis yang sepadan ialah alumnus Universiti Sains dan Teknologi China

Pasukan penyelidik di atas adalah dari City University of New York.

Pengarang yang sepadan ialah Lei Xie, yang lulus dari Universiti Sains dan Teknologi China dalam fizik polimer.

Berlulus dengan ijazah sarjana dalam sains komputer dari Universiti Rutgers;

Difahamkan bahawa langkah seterusnya pasukan penyelidik adalah untuk membangunkan fungsi ramalan CODE-AE untuk kepekatan dan metabolisme tindak balas klinikal ubat baharu.

Para penyelidik berkata bahawa model AI juga boleh disesuaikan untuk meramalkan kesan sampingan dadah pada tubuh manusia.

Perlu dinyatakan bahawa sub-jurnal Nature "Nature Machine Intelligence" memfokuskan secara khusus pada penyelidikan gunaan antara disiplin dalam kecerdasan buatan dan sains hayat, dengan purata bilangan kertas yang dikumpul setiap tahun kira-kira 60.

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

Pautan rujukan: https://phys.org/news/2022-10 -ai-ubat-tindak balas-manusia dengan tepat.html

Atas ialah kandungan terperinci Pasukan China berjaya membangunkan AI untuk meramalkan ubat yang sesuai untuk pesakit kanser, dan hasilnya diterbitkan dalam sub-jurnal Nature. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!