Il viaggio dalla scoperta di un potenziale composto terapeutico alla sua approvazione da parte delle autorità di regolamentazione come nuovo farmaco può richiedere più di 10 anni e costare più di 1 miliardo di dollari.
Un team di ricerca del CUNY Graduate Center ha sviluppato un modello di intelligenza artificiale che può migliorare significativamente l’accuratezza e ridurre i tempi e i costi del processo di sviluppo dei farmaci.
Come dettagliato in un recente articolo pubblicato su Nature Machine Intelligence, un nuovo modello chiamato CODE-AE può selezionare i farmaci candidati e prevederne accuratamente l’efficacia negli esseri umani. Nelle prove, il nuovo modello è stato in grado di identificare più di 9.000 pazienti con una medicina personalizzata che potrebbe essere teoricamente efficace per la loro malattia. I ricercatori si aspettano che il nuovo modello acceleri significativamente lo sviluppo e la scoperta di nuovi farmaci.
Predire in modo accurato e affidabile la risposta di un paziente all’uso di un nuovo composto chimico è fondamentale per identificare un trattamento sicuro ed efficace e selezionare un farmaco per un paziente specifico. Tuttavia, non è possibile pretestare l’efficacia di questi farmaci direttamente nell’uomo. I modelli cellulari o tissutali sono spesso usati come surrogati del corpo umano per valutare gli effetti terapeutici di una molecola. Sfortunatamente, l’effetto di un farmaco su un modello di malattia spesso non è correlato all’efficacia e alla tossicità del farmaco nei pazienti. Questo divario di conoscenze è una delle ragioni principali dell’alto costo e della bassa produttività dello sviluppo di nuovi farmaci.
Il nostro nuovo modello di apprendimento automatico può risolvere il problema del trasferimento di dati dai modelli di malattie agli esseri umaniю CODE-AE utilizza la progettazione biologica e i recenti progressi ispirati all’apprendimento automatico di massa. Ad esempio, uno dei suoi componenti utilizza la stessa tecnica per creare immagini false profonde.
Lei Xie, professore di informatica, biologia e biochimica presso il CUNY Graduate Center e l’Hunter College.
Come ha osservato You Wu, Ph.D., del CUNY Graduate Center, il nuovo modello potrebbe offrire una soluzione al problema di avere abbastanza dati del paziente per un modello di apprendimento automatico generalizzato. “Sebbene siano stati sviluppati diversi metodi per utilizzare lo screening delle linee cellulari per prevedere la risposta clinica, i loro risultati non sono affidabili a causa delle incongruenze e delle differenze nei dati”, ha sottolineato Yu Wu. “CODE-AE può evidenziare segnali biologici interni mascherati da rumore e altri fattori, eliminando efficacemente il problema delle incongruenze dei dati”.
Di conseguenza, CODE-AE migliora l’accuratezza e l’affidabilità delle previsioni all’avanguardia della risposta al farmaco specifica per il paziente basate esclusivamente sulle interazioni delle linee cellulari.
Il prossimo compito del team di ricerca è utilizzare CODE-AE per sviluppare un metodo che può essere utilizzato per prevedere in modo affidabile la concentrazione e gli effetti metabolici di nuovi farmaci nel corpo umano. Gli scienziati hanno anche scoperto che il modello di intelligenza artificiale potrebbe essere utilizzato meglio per prevedere con precisione gli effetti collaterali dei farmaci se utilizzato negli esseri umani.
