Il modello AI prevede con precisione la risposta del paziente ai composti farmacologici

I ricercatori del CUNY Graduate Center hanno creato un modello di intelligenza artificiale, Context-aware Deconfounding Autoencoder (CODE-AE), in grado di selezionare i composti dei farmaci per prevedere con precisione l’efficacia negli esseri umani. Nei test, il modello è stato in grado di identificare teoricamente farmaci personalizzati in grado di curare meglio più di 9.000 malati di cancro. I ricercatori si aspettano che la tecnica migliorerà l’accuratezza, ridurrà i tempi e i costi di scoperta e sviluppo di farmaci e accelererà la medicina di precisione.

“Il nostro nuovo modello di apprendimento automatico può affrontare la sfida traslazionale dai modelli di malattia all’uomo”, ha affermato Lei Xie, PhD, professore di informatica, biologia e biochimica presso il CUNY Graduate Center e l’Hunter College. “CODE-AE utilizza un design ispirato alla biologia e sfrutta diversi recenti progressi nell’apprendimento automatico. Ad esempio, uno dei suoi componenti utilizza tecniche simili nella generazione di immagini Deepfake”. Xie è autore senior del documento pubblicato dal team in Intelligenza della macchina della naturaintitolato “A Context-aware Deconfounding Autoencoder for Robust Prediction of Customized Clinical Drug Response From Cell Line Compound Screening”, in cui gli autori hanno concluso, “… CODE-AE fornisce un quadro utile per sfruttare i ricchi dati omimici in vitro per lo sviluppo modelli predittivi clinici generalizzati”.

Il viaggio tra l’identificazione di un potenziale composto terapeutico e l’approvazione della FDA di un nuovo farmaco può richiedere oltre un decennio e costare fino a un miliardo di dollari. La previsione accurata e solida delle risposte specifiche del paziente a un nuovo composto chimico è fondamentale sia per la scoperta di terapie sicure ed efficaci, sia per la selezione di un farmaco esistente per un paziente specifico. Tuttavia, non è etico e non fattibile eseguire test di efficacia precoci di un farmaco direttamente sull’uomo. I modelli cellulari o tissutali sono spesso usati come surrogati del corpo umano per valutare l’effetto terapeutico di una molecola di farmaco. “Nella fase iniziale della scoperta di farmaci, la linea cellulare e altri modelli in vitro sono stati ampiamente applicati allo screening dei candidati ai farmaci”, ha osservato il team.

Sfortunatamente, l’effetto del farmaco in un modello di malattia spesso non è correlato all’efficacia e alla tossicità del farmaco nei pazienti umani. “Questa discrepanza è responsabile dell’alto costo e del basso tasso di successo della scoperta di farmaci”, ha continuato il team. E anche per i farmaci che sono stati testati negli studi clinici, le risposte dei pazienti al trattamento possono variare in modo significativo. Inoltre, “… è spesso difficile raccogliere un gran numero di dati coerenti del paziente con il trattamento farmacologico e la storia di risposta per prevedere in modo affidabile quale paziente trarrà beneficio dal farmaco”.

Lo sviluppo di un modello di intelligenza artificiale per la previsione delle risposte cliniche specifiche del paziente da schermi in vitro è impegnativo, ma il nuovo modello può fornire una soluzione al problema di disporre di dati paziente sufficienti per addestrare un modello di apprendimento automatico generalizzato, ha affermato You Wu, un laureato CUNY Dottorando del Centro e coautore del paper. “Sebbene siano stati sviluppati molti metodi per utilizzare gli schermi delle linee cellulari per prevedere le risposte cliniche, le loro prestazioni sono inaffidabili a causa dell’incongruenza e delle discrepanze dei dati”, ha osservato Wu. “CODE-AE può estrarre segnali biologici intrinseci mascherati da rumore e fattori di confondimento e alleviare efficacemente il problema della discrepanza dei dati”.

Di conseguenza, CODE-AE migliora significativamente l’accuratezza e la robustezza rispetto ai metodi all’avanguardia nella previsione delle risposte ai farmaci specifiche del paziente esclusivamente dagli schermi dei composti della linea cellulare, suggerisce il team. “Ampi studi di benchmark dimostrano il vantaggio di CODE-AE rispetto allo stato dell’arte in termini di accuratezza e robustezza”. Nel loro articolo pubblicato, i ricercatori hanno ulteriormente descritto il loro CODE-AE per lo screening di 59 pazienti per 9.808 farmaci antitumorali da The Cancer Genome Atlas. “I nostri risultati sono coerenti con le osservazioni cliniche esistenti, suggerendo il potenziale di CODE-AE nello sviluppo di terapie personalizzate e biomarcatori di risposta ai farmaci”, hanno riferito.

La prossima sfida dei ricercatori nel promuovere l’uso della tecnologia nella scoperta di farmaci è lo sviluppo di un modo per il CODE-AE di prevedere in modo affidabile l’effetto della concentrazione e della metabolizzazione di un nuovo farmaco nei corpi umani. Hanno anche notato che “In linea di principio, l’integrazione di più dati omici può favorire le previsioni della risposta ai farmaci” e hanno suggerito che il modello di intelligenza artificiale potrebbe essere potenzialmente ottimizzato per prevedere con precisione gli effetti collaterali umani dei farmaci. E in conclusione, hanno affermato: “Sebbene CODE-AE sia applicato solo all’oncologia di precisione qui, può essere un quadro generale per altre attività di apprendimento di trasferimento in cui due modalità di dati hanno caratteristiche condivise e uniche … Pertanto CODE-AE fornisce un quadro utile per sfruttare i ricchi dati omici in vitro per lo sviluppo di modelli predittivi clinici generalizzati.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *