Nat Mac Int | AI模型稳定预测药物疗效
原创 图灵基因 图灵基因 2022-11-07 11:12 发表于江苏
收录于合集#前沿生物大数据分析
纽约市立大学研究生中心的研究人员创建了一个人工智能模型，情境感知解码自动编码器（CODE-AE），它可以筛选药物化合物，以准确预测对人类的疗效。在测试中，该模型能够从理论上识别出能够更好地治疗9000多名癌症患者的个性化药物。研究人员预计，这项技术将提高准确性，减少药物发现和开发的时间和成本，并加快精准医疗的发展。
纽约市立大学研究生中心和亨特学院计算机科学、生物学和生物化学教授Lei Xie博士说：“我们的新机器学习模型可以解决从疾病模型到人类的转化挑战。CODE-AE采用了受生物学启发的设计，并利用了机器学习方面的一些最新进展。例如，它的一个组件使用了Deepfake图像生成的类似技术。”Xie是该团队在《Nature Machine Intelligence》上发表的论文的高级作者，文章标题为“A Context-aware Deconfounding Autoencoder for Robust Prediction of Personalized Clinical Drug Response From Cell Line Compound Screening”。作者在文中总结道，“……CODE-AE提供了一个有用的框架，可以利用丰富的体外组学数据开发通用的临床预测模型。”
从确定一种潜在的治疗化合物到FDA批准一种新药，这一过程可能需要十多年的时间，花费超过10亿美元。准确而可靠地预测患者对一种新化合物的特异性反应，对于发现安全有效的治疗药物，以及为特定患者选择现有药物都至关重要。然而，直接在人体内对药物进行早期疗效测试是不道德和不可行的。细胞或组织模型通常被用作人体的替代物，来评估药物分子的治疗效果。该团队指出：“在药物发现的早期阶段，细胞系和其他体外模型已广泛应用于筛选候选药物。”
不幸的是，在疾病模型中的药物效果往往与在人类患者中的药物疗效和毒性无关。“这种差异导致了药物发现的高成本和低成功率。”该团队继续说道。甚至对于已经在临床试验中测试过的药物，患者对治疗的反应也可能有很大的差异。此外，“……通常很难收集大量与药物治疗和反应史相关的患者数据，从而可靠地预测哪些患者将从药物中受益。”
纽约市立大学研究生中心博士生、该论文的合著者You Wu说，开发一个AI模型，从体外筛选中预测患者特异性临床药物反应是具有挑战性的，但新模型可以提供一个变通方法，以解决有足够的患者数据来训练通用机器学习模型的问题。“尽管已经开发了许多方法来利用细胞系筛选预测临床反应，但由于数据不一致和差异，它们的性能是不可靠的。”Wu指出，“CODE-AE可以提取被噪声和混杂因素掩盖的内在生物信号，有效缓解数据差异问题。”
因此，研究小组认为，在单纯从细胞系复合物筛选中预测患者特异性药物反应方面，与现有技术相比，CODE-AE显著提高了准确性和稳健性。“大量的基准研究证明了CODE-AE在准确性和稳健性方面都优于现有技术。”在他们发表的论文中，研究人员进一步描述了他们的CODE-AE，从癌症基因组图谱中为9808名癌症患者筛选59种药物。他们报告说：“我们的结果与现有的临床观察结果一致，表明CODE-AE在开发个性化疗法和药物反应生物标志物方面具有潜力。”
在推进这项技术在药物研发中的应用方面，研究人员的下一个挑战是开发一种方法，使CODE-AE能够可靠地预测新药在人体中的浓度和代谢作用。他们还指出，“原则上，整合多种组学数据可能有助于药物反应预测。”并建议AI模型可以进行调整，以准确预测药物对人体的副作用。总之，他们表示，“尽管在这里CODE-AE仅应用于精准肿瘤学，但它可以作为其他转移学习任务的通用框架，其中两种数据模式具有共同和独特的特征。因此，CODE-AE提供了一个有用的框架，可以利用丰富的体外组学数据开发通用临床预测模型。”
