美國紐約市立大學研究團隊創(chuàng)建了一個人工智能模型，可顯著提高新藥療效的準確性并減少藥物開發(fā)的時間和成本。最新一期《自然·機器智能》雜志描述的這種名為CODE-AE的新模型可篩選新的藥物化合物，并準確預(yù)測對人體的療效。在測試中，理論上它為9000多名患者確定了可更好治療他們疾病的個性化藥物。研究人員預(yù)計該技術(shù)將顯著加速藥物發(fā)現(xiàn)及精準醫(yī)學發(fā)展。

準確并穩(wěn)定地預(yù)測患者對新化合物的特異性反應(yīng)，對于發(fā)現(xiàn)安全有效的治療方法和為特定患者選擇現(xiàn)有藥物至關(guān)重要。然而，直接在人體中對藥物進行早期療效測試是不道德和不可行的，因此細胞或組織模型通常被用作人體的替代物來評估藥物分子的治療效果。不幸的是，疾病模型中的藥物效應(yīng)，通常與人類患者的藥物功效和毒性無關(guān)。這種差距正是新藥發(fā)現(xiàn)成本高、生產(chǎn)率低的主要因素。

此次的新機器學習模型可解決從疾病模型到人類的轉(zhuǎn)化挑戰(zhàn)。CODE-AE的設(shè)計受生物學啟發(fā)，并加入機器學習方面的最新進展，可解決用患者數(shù)據(jù)訓練通用機器學習模型的問題。盡管此前已開發(fā)出許多方法來利用細胞系篩選來預(yù)測臨床反應(yīng)，但由于數(shù)據(jù)不一致和差異，它們的表現(xiàn)并不可靠，而CODE-AE可提取被噪聲和混雜因素掩蓋的內(nèi)在生物信號，有效緩解數(shù)據(jù)差異。

與現(xiàn)有最先進的方法相比，CODE-AE顯著提高了純粹從細胞系化合物篩選預(yù)測患者特異性藥物反應(yīng)的準確性和穩(wěn)健性。

研究團隊將繼續(xù)推進該技術(shù)在藥物發(fā)現(xiàn)中的應(yīng)用，讓CODE-AE更可靠地預(yù)測新藥在人體中的濃度和代謝影響。研究人員還指出，這一模型可能會被調(diào)整用于準確預(yù)測藥物對人類的副作用。

總編輯圈點

在新藥研發(fā)的不同階段，人工智能已經(jīng)顯示出它的獨特優(yōu)勢。前有DeepMind的AlphaFold成功地預(yù)測出蛋白質(zhì)的三維結(jié)構(gòu)，后有研究團隊利用AI精準地從頭設(shè)計出了能夠穿過細胞膜的大環(huán)多肽分子。此次研究人員開發(fā)出了一種新人工智能模型，可以準確并穩(wěn)定地預(yù)測人體對新化合物的特異性反應(yīng)。新的模型加速了藥物開發(fā)的進程，提升了新藥研發(fā)的精準性，讓研發(fā)過程中的調(diào)整更加有的放矢。正如專家所預(yù)測的，計算生物學正在藥物開發(fā)中發(fā)揮越發(fā)重要的作用。(科技日報記者 張夢然)