(资料图)

纽约市立大学研究生中心的研究人员创建了一种人工智能模型，即上下文感知去混杂自动编码器(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，该模型能够在理论上识别出能够更好地治疗9,000多名癌症患者的个性化药物。研究人员预计该技术将提高准确性并减少药物发现和开发的时间和成本，并加速精准医疗。

“我们新的机器学习模型可以解决从疾病模型到人类的转化挑战，”纽约市立大学研究生中心和亨特学院的计算机科学、生物学和生物化学教授LeiXie博士说。“CODE-AE使用了受生物学启发的设计，并利用了机器学习领域的多项最新进展。例如，它的一个组件在Deepfake图像生成中使用了类似的技术。”谢是该团队在

从确定一种潜在的治疗化合物到FDA批准一种新药之间的过程可能需要十多年的时间，耗资超过10亿美元。准确而稳健地预测患者对新化合物的特异性反应对于发现安全有效的治疗方法以及为特定患者选择现有药物都至关重要。然而，直接对人体进行药物的早期药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。“在药物发现的早期阶段，细胞系和其他体外模型已被广泛应用于筛选候选药物，”该团队指出。

不幸的是，疾病模型中的药物效应通常与人类患者的药物疗效和毒性无关。“这种差异是导致药物发现成本高和成功率低的原因，”该团队继续说道。即使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会有很大差异。此外，“……通常很难收集大量具有药物治疗和反应历史的连贯患者数据，以可靠地预测哪些患者将从该药物中受益。”

纽约市立大学毕业生YouWu表示，开发用于从体外筛选中预测患者特异性临床药物反应的AI模型具有挑战性，但新模型可以解决拥有足够患者数据来训练通用机器学习模型的问题中心博士生和论文的共同作者。“虽然已经开发了许多方法来利用细胞系筛选来预测临床反应，但由于数据不一致和差异，它们的表现并不可靠，”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，并有效缓解数据差异问题。”

因此，该团队建议，CODE-AE显着提高了纯粹从细胞系化合物筛选预测患者特异性药物反应的最先进方法的准确性和稳健性。“广泛的基准研究证明了CODE-AE在准确性和鲁棒性方面优于最先进的技术。”在他们发表的论文中，研究人员进一步描述了他们使用CODE-AE从癌症基因组图谱中为9,808名癌症患者筛选59种药物。“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，”他们报告说。

研究人员在推进该技术在药物发现中的应用方面面临的下一个挑战是为CODE-AE开发一种方法，以可靠地预测新药在人体中的浓度和代谢的影响。他们还指出，“原则上，整合多个组学数据可能有利于药物反应预测”，并建议可以调整AI模型以准确预测人类对药物的副作用。最后，他们表示，“虽然CODE-AE在这里仅适用于精准肿瘤学，但它可以成为其他迁移学习任务的通用框架，其中两种数据模式具有共享和独特的特征......因此CODE-AE提供了一个有用的框架利用丰富的体外组学数据开发通用临床预测模型。”