راهکار تازه برای افزایش اثربخشی داروها - هنجس بلاگ

یک مدل تازه هوش مصنوعی که به وسیله دانشمندان کالج شهری نیویورک پیشرفته است، قادر خواهد بود واکنش انسان به ترکیبات دارویی تازه را به طور دقیق پیش بینی کند. علاوه بر این، هزینه کمتری دارد و روش سریع تری است.

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

این مدل تازه موسوم به CODE-AE می تواند مولکول های دارویی کاملاً تازه را غربال کند و اثربخشی آنها را در افراد به طور قابل اعتماد پیش بینی کند. این مدل در آزمایشات صورت گرفته بعلاوه قادر به یافتن داروهای مناسب بالقوه موثرتر برای بیش از 9000 بیمار بود.

پیش بینی دقیق و قابل اعتماد واکنش های خاص بیمار به یک مولکول شیمیایی تازه برای یافتن درمان های ایمن و مؤثر و انتخاب داروی موجود برای یک بیمار خاص لازم است. با این حال، آزمایش مستقیم اثربخشی اولیه یک داروی تازه بر روی انسان، غیراخلاقی و غیرممکن است. در این مطالعه آمده است که برای ارزیابی اثربخشی درمانی یک مولکول دارویی، مدل های سلولی یا بافتی بدن انسان اغلب مورد استفاده قرار می گیرد.

متأسفانه، اثربخشی و سمیت درمان در بیماران واقعی اغلب با تأثیر دارویی در یک مدل بیماری مطابقت ندارد. این شکاف دانش در درجه اول باعث هزینه بالا و نرخ پایین بهره وری کشف و توسعه داروها می گردد.

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

مدل هوش مصنوعی CODE-AE از طراحی الهام گرفته از زیست شناسی استفاده می نماید و از چندین پیشرفت اخیر در فناوری یادگیری ماشین نیز بهره می برد. به عنوان مثال، یکی از اجزای آن از تکنیک های مشابه در فراوری تصاویر جعل عمیق(Deepfake) استفاده می نماید.

یک راه چاره تازه

این رویکرد تازه می تواند راه چارهی برای مسئله نداشتن اطلاعات کافی بیمار برای آموزش یک مدل گسترده یادگیری ماشینی ارائه دهد.

ژی می گوید: اگرچه روش های زیادی برای استفاده از سلول ها برای پیش بینی پاسخ های بالینی ایجاد شده اند، اما عملکرد آنها به علت ناهماهنگی و اختلاف داده ها غیرقابل اعتماد است. اکنون CODE-AE می تواند سیگنال های بیولوژیکی ذاتی پنهان مانده و عوامل مخدوش کننده نتایج را استخراج کند و به طور موثر مشکل اختلاف داده ها را کاهش دهد.

وی اضافه نمود: مدل CODE-AE هنگام پیش بینی پاسخ های دارویی خاص بیمار از نظر دقت و استحکام بسیار بهتر از روش های پیشین عمل می نماید.

برنامه های آینده

وظیفه بعدی این تیم تحقیقاتی که به وسیله موسسه ملی علوم پزشکی عمومی و موسسه ملی پیری آمریکا حمایت می گردد، ایجاد روشی برای CODE-AE به منظور پیش بینی دقیق تأثیر غلظت و متابولیسم داروی تازه در بدن انسان است.

محققان بعلاوه خاطرنشان کردند که این مدل هوش مصنوعی می تواند برای پیش بینی دقیق اثرات نامطلوب داروها در انسان تنظیم گردد.

5858