Un nuovo modello di intelligenza artificiale può prevedere con precisione la risposta umana a nuovi composti farmaceutici

Il viaggio tra l’identificazione di un potenziale composto terapeutico e l’approvazione da parte della Food and Drug Administration di un nuovo farmaco può richiedere oltre un decennio e costare fino a un miliardo di dollari. Un team di ricerca presso il CUNY Graduate Center ha creato un modello di intelligenza artificiale che potrebbe migliorare significativamente l’accuratezza e ridurre i tempi e i costi del processo di sviluppo dei farmaci.

Descritto in un articolo appena pubblicato in Intelligenza della macchina della natura, il nuovo modello, chiamato CODE-AE, può selezionare nuovi composti farmacologici per prevedere con precisione l’efficacia nell’uomo. Nei test, è stato anche in grado di identificare teoricamente farmaci personalizzati per oltre 9.000 pazienti che potrebbero curare meglio le loro condizioni. I ricercatori si aspettano che la tecnica acceleri significativamente la scoperta di farmaci e la medicina di precisione.

La previsione accurata e solida delle risposte specifiche del paziente a un nuovo composto chimico è fondamentale per scoprire terapie sicure ed efficaci e selezionare un farmaco esistente per un paziente specifico. Tuttavia, non è etico e non fattibile eseguire direttamente test di efficacia precoce di un farmaco nell’uomo. I modelli cellulari o tissutali sono spesso usati come surrogati del corpo umano per valutare l’effetto terapeutico di una molecola di farmaco. Sfortunatamente, l’effetto del farmaco in un modello di malattia spesso non è correlato all’efficacia e alla tossicità del farmaco nei pazienti umani. Questo divario di conoscenze è un fattore importante negli alti costi e nei bassi tassi di produttività della scoperta di farmaci.

“Il nostro nuovo modello di apprendimento automatico può affrontare la sfida traslazionale dai modelli di malattia agli esseri umani”, ha affermato Lei Xie, professore di informatica, biologia e biochimica presso il CUNY Graduate Center e l’Hunter College e autore senior dell’articolo. “CODE-AE utilizza un design ispirato alla biologia e sfrutta diversi recenti progressi nell’apprendimento automatico. Ad esempio, uno dei suoi componenti utilizza tecniche simili nella generazione di immagini Deepfake”.

Il nuovo modello può fornire una soluzione al problema di disporre di dati paziente sufficienti per addestrare un modello di apprendimento automatico generalizzato, ha affermato You Wu, Ph.D. del CUNY Graduate Center. studente e coautore del paper. “Sebbene siano stati sviluppati molti metodi per utilizzare gli schermi delle linee cellulari per prevedere le risposte cliniche, le loro prestazioni sono inaffidabili a causa dell’incongruenza e delle discrepanze dei dati”, ha affermato Wu. “CODE-AE può estrarre segnali biologici intrinseci mascherati da rumore e fattori di confondimento e alleviare efficacemente il problema della discrepanza dei dati”.

Di conseguenza, CODE-AE migliora significativamente l’accuratezza e la robustezza rispetto ai metodi all’avanguardia nella previsione delle risposte farmacologiche specifiche del paziente esclusivamente dagli schermi dei composti della linea cellulare.

La prossima sfida del team di ricerca nel promuovere l’uso della tecnologia nella scoperta di farmaci è lo sviluppo di un modo per il CODE-AE di prevedere in modo affidabile l’effetto della concentrazione e del metabolismo di un nuovo farmaco nei corpi umani. I ricercatori hanno anche notato che il modello di intelligenza artificiale potrebbe essere potenzialmente ottimizzato per prevedere con precisione gli effetti collaterali umani dei farmaci.