ابداع یک مدل جدید هوش مصنوعی برای افزایش اثربخشی داروها

یک مدل جدید هوش مصنوعی می تواند واکنش های انسان به ترکیبات دارویی را پیش بینی کند و به روشی مقرون به صرفه تر و موثرتر پزشکی را متحول کند.

به گزارش ایسنا به نقل از آی ای، یک مدل جدید هوش مصنوعی که توسط دانشمندان کالج شهری نیویورک توسعه یافته است، قادر خواهد بود واکنش انسان به ترکیبات دارویی جدید را بطور دقیق پیش بینی کند. علاوه بر این ، هزینه کمتری دارد و روش سریع تری است.

این مدل که در مجله Nature Mature Intelligence منتشر شده، می تواند به طور قابل توجهی سرعت داروسازی و توسعه دقیق داروها را افزایش دهد.

این مدل جدید موسوم به CODE- AE می تواند مولکول های دارویی کاملا جدید را غربال کند و اثربخشی آنها را در افراد بطور قابل اعتماد پیش بینی کند. این مدل در آزمایشات انجام شده همچنین قادر به یافتن داروهای مناسب بالقوه موثرتر برای بیش از ۹۰۰۰ بیمار بود.

پیش بینی دقیق و قابل اعتماد واکنش های خاص بیمار به یک مولکول شیمیایی جدید برای یافتن درمان های ایمن و مؤثر و انتخاب داروی موجود برای یک بیمار خاص ضروری است. با این حال، آزمایش مستقیم اثربخشی اولیه یک داروی جدید بر روی انسان، غیراخلاقی و غیرممکن است. در این مطالعه آمده است که برای ارزیابی اثربخشی درمانی یک مولکول دارویی، مدل های سلولی یا بافتی بدن انسان اغلب مورد استفاده قرار می گیرد.

متأسفانه، اثربخشی و سمیت درمان در بیماران واقعی اغلب با تأثیر دارویی در یک مدل بیماری مطابقت ندارد. این شکاف دانش در درجه اول باعث هزینه بالا و نرخ پایین بهره وری کشف و توسعه داروها می شود.

پروفسور لی ژی استاد علوم کامپیوتر، زیست شناسی و بیوشیمی در مرکز فارغ التحصیلان کالج شهری نیویورک و نویسنده ارشد این مقاله می گوید:مدل یادگیری ماشینی جدید ما میتواند این چالش کهنه را حل و فصل کند.

مدل هوش مصنوعی CODE- AE از طراحی الهام گرفته از زیست شناسی استفاده می کند و از چندین پیشرفت اخیر در فناوری یادگیری ماشین نیز بهره می برد. به عنوان مثال ، یکی از اجزای آن از تکنیک های مشابه در تولید تصاویر جعل عمیق( Deepfake) استفاده می کند.

یک راه حل جدید

این رویکرد جدید میتواند راه حلی برای مسئله نداشتن اطلاعات کافی بیمار برای آموزش یک مدل گسترده یادگیری ماشینی ارائه دهد.

ژی می گوید:اگرچه روش های زیادی برای استفاده از سلول ها برای پیش بینی پاسخ های بالینی ایجاد شده اند، ولی عملکرد آن ها به دلیل ناهماهنگی و اختلاف داده ها غیرقابل اعتماد است. اکنون CODE- AE می تواند سیگنال های بیولوژیکی ذاتی پنهان مانده و عوامل مخدوش کننده نتایج را استخراج کند و به طور موثر مشکل اختلاف داده ها را کاهش دهد.

او ادامه داد: مدل CODE- AE هنگام پیش بینی پاسخ های دارویی خاص بیمار از نظر دقت و استحکام بسیار بهتر از روش های پیشین عمل می کند.

برنامه های آینده

وظیفه بعدی این تیم تحقیقاتی که توسط مؤسسه ملی علوم پزشکی عمومی و موسسه ملی پیری آمریکا حمایت می شود، ایجاد روشی برای CODE- AE به منظور پیش بینی دقیق تأثیر غلظت و متابولیسم داروی جدید در بدن انسان است.

محققان همچنین خاطرنشان کردند که این مدل هوش مصنوعی (Artificial Intelligence) میتواند برای پیش بینی دقیق اثرات نامطلوب داروها در انسان تنظیم شود.