.
A jornada entre a identificação de um potencial composto terapêutico e a aprovação de um novo medicamento pela Food and Drug Administration pode levar mais de uma década e custar mais de um bilhão de dólares. Uma equipe de pesquisa do CUNY Graduate Center criou um modelo de inteligência artificial que pode melhorar significativamente a precisão e reduzir o tempo e o custo do processo de desenvolvimento de medicamentos. Descrito em um artigo recém-publicado em Inteligência de máquina da natureza, o novo modelo, chamado CODE-AE, pode rastrear novos compostos de drogas para prever com precisão a eficácia em humanos. Nos testes, também foi capaz de identificar teoricamente medicamentos personalizados para mais de 9.000 pacientes que poderiam tratar melhor suas condições. Os pesquisadores esperam que a técnica acelere significativamente a descoberta de medicamentos e a medicina de precisão.
A previsão precisa e robusta das respostas específicas do paciente a um novo composto químico é fundamental para descobrir terapêuticas seguras e eficazes e selecionar um medicamento existente para um paciente específico. No entanto, é antiético e inviável fazer testes precoces de eficácia de um medicamento diretamente em humanos. Modelos de células ou tecidos são frequentemente usados como substitutos do corpo humano para avaliar o efeito terapêutico de uma molécula de droga. Infelizmente, o efeito da droga em um modelo de doença muitas vezes não se correlaciona com a eficácia e toxicidade da droga em pacientes humanos. Essa lacuna de conhecimento é um fator importante nos altos custos e baixas taxas de produtividade da descoberta de medicamentos.
“Nosso novo modelo de aprendizado de máquina pode abordar o desafio translacional de modelos de doenças para humanos”, disse Lei Xie, professor de ciência da computação, biologia e bioquímica no CUNY Graduate Center e Hunter College e autor sênior do artigo. “CODE-AE usa design inspirado na biologia e tira proveito de vários avanços recentes em aprendizado de máquina. Por exemplo, um de seus componentes usa técnicas semelhantes na geração de imagens Deepfake.”
O novo modelo pode fornecer uma solução alternativa para o problema de ter dados de pacientes suficientes para treinar um modelo generalizado de aprendizado de máquina, disse You Wu, Ph.D do CUNY Graduate Center. aluno e co-autor do artigo. “Embora muitos métodos tenham sido desenvolvidos para utilizar telas de linha celular para prever respostas clínicas, seus desempenhos não são confiáveis devido à incongruência e discrepâncias de dados”, disse Wu. “CODE-AE pode extrair sinais biológicos intrínsecos mascarados por ruído e fatores de confusão e efetivamente aliviado o problema de discrepância de dados.”
Como resultado, o CODE-AE melhora significativamente a precisão e a robustez em relação aos métodos de última geração na previsão de respostas a medicamentos específicas de pacientes puramente a partir de telas de compostos de linhagem celular.
O próximo desafio da equipe de pesquisa no avanço do uso da tecnologia na descoberta de medicamentos é desenvolver uma maneira de o CODE-AE prever com segurança o efeito da concentração e metabolização de um novo medicamento nos corpos humanos. Os pesquisadores também observaram que o modelo de IA poderia ser ajustado para prever com precisão os efeitos colaterais humanos das drogas.
Este trabalho foi apoiado pelo Instituto Nacional de Ciências Médicas Gerais e do Instituto Nacional do Envelhecimento.
Fonte da história:
Materiais fornecidos por Centro de Pós-Graduação, CUNY. Nota: O conteúdo pode ser editado para estilo e duração.
.
