AI revolutionerar läkemedelsupptäckter
AI revolutionerar läkemedelsupptäckter för sällsynta sjukdomar
Det finns mer än 7000 sällsynta odiagnostiserade sjukdomar globalt.
Även om varje tillstånd förekommer hos ett litet antal individer, utöver dessa sjukdomar tillsammans en häpnadsväckande mänsklig och ekonomisk avgift eftersom de drabbar cirka 300 miljoner människor världen över.
Ändå, med bara 5 till 7 procent av dessa tillstånd som har ett FDA-godkänt läkemedel, förblir de i stort sett obehandlade eller underbehandlade.
Att utveckla nya läkemedel är en skrämmande utmaning, men ett nytt verktyg för artificiell intelligens kan driva på upptäckten av nya behandlingar från befintliga läkemedel, vilket ger hopp för patienter med sällsynta och försummade tillstånd och för de läkare som behandlar dem.
AI-modellen, kallad TxGNN, är den första som utvecklats specifikt för att identifiera läkemedelskandidater för sällsynta sjukdomar och tillstånd utan behandling.
Den identifierade läkemedelskandidater från befintliga läkemedel för mer än 17 000 sjukdomar, många av dem utan några befintliga behandlingar. Detta representerar det största antalet sjukdomar som någon enskild AI-modell hittills kan hantera. Forskarna noterar att modellen kunde tillämpas på ännu fler sjukdomar utöver de 17000 de arbetade med i de första experimenten.
Arbetet, som beskrivs i Nature Medicine, leddes av forskare vid Harvard medical School. Forskarna har gjort verktyget tillgängligt gratis och vill uppmuntra kliniska forskare att använda det i deras sökande efter nya behandlingar, särskilt för tillstånd med inga eller begränsade behandlingsalternativ.
"Med det här verktyget strävar vi efter att identifiera nya behandlingar över hela sjukdomsspektrumet, men när det gäller sällsynta, ultrasällsynta och försummade tillstånd, förutser vi att denna modell kan hjälpa till att stänga, eller åtminstone minska ett gap som skapar allvarliga hälsoskillnader," sa Marinka Zitnik, biträdande professor i biomedicinsk informatik vid Blavatnik institutet vid HMS.
"Det är just här vi ser löftet om om AI för att minska den globala sjukdomsbördan, i att hitta nya användningsområden för befintliga läkemedel, vilket också är ett snabbare och mer kostnadseffektivt sätt att utveckla behandlingar är att designa nya läkemedel från grunden", tillade Zitnik, som också är fakultetsmedlem vid Kempers Institute for the Study of Natural and Artificial Intelligence vid Harvard University.
Det nya verktyget har två centrala funktioner - en som identifierar behandlingskandidater tillsammans med möjliga biverkningar och en annan som förklarar motiveringen för beslutet.
Totalt identifierade verktyget läkemedelskandidater från nästan 8000 läkemedel (både FDA-godkända läkemedel och experimentella som nu är i klinisk prövningar) för 17 080 sjukdomar, inklusive tillstånd utan tillgängliga behandlingar.
Den förutspådde också vilka läkemedel som skulle ha biverkningar och kontraindikationer för specifika tillstånd - något som nuvarande läkemedelsupptäcktens tillvägagångssätt identifierar mestadels genom försök och misstag under tidiga kliniska prövningar fokuserade på säkerhet.
Jämfört med de ledande AI-modellerna för återanvändning av läkemedel var det nya verktyget nästan 50 procent bättre, i genomsnitt, på identifiera läkemedelskandidater. Det var också 35 procent mer exakt att förutsäga vilka läkemedel som skulle ha kontraindikationer.
Att återanvända befintliga läkemedel är ett lockande sätt att utveckla nya behandlingar eftersom det förlitar sig på läkemedel som har studerats, har understödda säkerhetsprofiler och har gått igenom regulatoriska godkännande-processer.
De flesta läkemedel har flera effekter utöver de specifika mål som de ursprungligen utvecklades och godkändes för. Men många av dessa effekter förblir oupptäckta och understuderade under inledande tester, kliniska prövningar och översyn, och de dyker upp först efter år av användning av miljontals människor.
Faktum är att nästan 30 procent av FDA-godkända läkemedel har fått minst en ytterligare indikation för behandling efter det första godkännandet, och många har förvärvat tiotals ytterligare behandlingsindikationer under åren.
Detta tillvägagångssätt för att återanvända läkemedel är i bästa fall slumpartat. Den bygger på patientrapporter om oväntade positiva biverkningar eller på läkares intuition om huruvida ett läkemedel ska användas för ett tillstånd som det inte var avsett för, en praxis som kallas off-label-användning.
"Vi har tenderat att förlita oss på tur och lyckträffar snarare än på strategi, vilket begränsar läkemedelsupptäckten till sjukdomar för vilka läkemedel redan finns," sa Zitnik.
Fördelarna med att återanvända läkemedel sträcker sig bortom sjukdomar utan behandlingar, noterade Zitnik.
"Även för vanligare sjukdomar med godkända behandlingar kan nya läkemedel erbjuda alternativ med färre biverkningar eller ersätta läkemedel som är ineffektiva för vissa patienter", sa hon.
De flesta nuvarande AI-modeller som används för läkemedelsupptäckt är tränade på en enda sjukdom eller en handfull tillstånd. I stället för att fokusera på specifika sjukdomar, tränades det nya verktyget på ett sätt som gör dt möjligt att använda befintliga data för att göra nya förutsägelser. Det gör det genom att identifiera delade egenskaper över flera sjukdomar, såsom delade genomiska avvikelser.
Till exempel pekar AI-modellen ut delade sjukdomsmekanismer baserade på gemensamma genomiska underlag, vilket gör att den kan extrapolera från en välkänd sjukdom med kända behandlingar till en dåligt förstådd utan behandlingar.
Denna kapacitet, sa forskarteamet, för AI-verktyget närmare den typ av resonemang som en mänsklig kliniker skulle kunna använda för att generera nya idéer om de hade tillgång till all redan existerande kunskap och rådata som AI-modellen gör man som den mänskliga hjärnan man omöjligen komma åt eller lagra.
Verktyget tränades på stora mängder data, inklusive DNA-information, cellsignalering, nivåer av genaktivitet, kliniska anteckningar och mer. Forskarna testade och förfinande modellen genom att be den utföra olika uppgifter. Slutligen validerades verktygets prestanda på 1,2 miljoner patientjournaler och ombads att identifiera läkemedelskandidater för olika sjukdomar.
Forskarna bad också verktyget att förutsäga vilka patientegenskaper som skulle göra de identifierade läkemedelskandidaterna kontraindicerade för vissa patientpopulationer.
En annan uppgift var att be verktyget att identifiera befintliga små molekyler som effektivt kan blockera aktiviteten hos vissa proteiner som är inblandade i sjukdomsframkallande vägar och processer.
I ett test utformat för att mäta modellens förmåga att resonera som en mänsklig läkare kan, fick forskarna modellen att hitta läkemedel för tre sällsynta tillstånd som den inte hade sett som en del av sin träning - en neuroutvecklingsstörning, en bindvävssjukdom och ett sällsynt genetiskt tillstånd som orsakar vattenobalans.
Forskarna jämförde sedan modellens rekommendationer för läkemedelsbehandling med aktuell medicinsk kunskap om hur de föreslagna läkemedlen fungerar. I varje exempel överensstämde verktygets rekommendationer med aktuell medicinsk kunskap.
Dessutom identifierade modellen inte bara läkemedel för alla tre sjukdomarna utan gav också skälen bakom beslutet. Denna förklarande funktion möjliggör transparens och kan öka läkarens förtroende.
Forskarna varnar för alla behandlingar som identifierades av modellen skulle kräva ytterligare utvärdering för dosering och tidpunkt för leverans. Men, tillägger de, med denna oöverträffade kapacitet skulle den nya AI-modellen påskynda återanvändning av läkemedel på ett sätt som de inte är möjligt förrän nu. Teamet samarbetar redan med flera stiftelser för sällsynta sjukdomar för att hjälpa till att identifiera möjliga behandlingar.
Kommentarer
Skicka en kommentar