Νέο μοντέλο AI εντοπίζει θεραπείες που αναστρέφουν παθολογικές καταστάσεις σε κύτταρα
Ερευνητές από την Ιατρική Σχολή του Χάρβαρντ έχουν αναπτύξει ένα καινοτόμο μοντέλο τεχνητής νοημοσύνης, το οποίο έχει τη δυνατότητα να εντοπίζει θεραπείες που μπορούν να αναστρέψουν παθολογικές καταστάσεις σε κύτταρα. Αυτή η εξέλιξη μπορεί να αλλάξει ριζικά τον τρόπο που διεξάγεται η ανακάλυψη φαρμάκων.
Αναγνώριση πολλαπλών στόχων
Σε αντίθεση με τις παραδοσιακές μεθόδους που συνήθως εξετάζουν έναν μόνο στόχο πρωτεΐνης ή φάρμακο τη φορά, το νέο μοντέλο, γνωστό ως PDGrapher και διαθέσιμο δωρεάν, εστιάζει σε πολλαπλούς παράγοντες που προκαλούν ασθένειες. Εντοπίζει τα γονίδια που είναι πιο πιθανό να επαναφέρουν τα νοσούντα κύτταρα σε υγιή λειτουργία. Το εργαλείο αυτό μπορεί επίσης να προσδιορίσει τους καλύτερους μοναδικούς ή συνδυασμένους στόχους για θεραπείες που διορθώνουν τη διαδικασία της ασθένειας.
Τα πλεονεκτήματα του PDGrapher
Η νέα προσέγγιση μπορεί να επιταχύνει τη διαδικασία ανακάλυψης και σχεδίασης φαρμάκων, ανοίγοντας το δρόμο για θεραπείες που έχουν παραμείνει ανέγγιχτες από τις παραδοσιακές μεθόδους. Οι ερευνητές τόνισαν ότι η παραδοσιακή διαδικασία ανακάλυψης φαρμάκων είναι παρόμοια με το να δοκιμάζεις εκατοντάδες έτοιμα πιάτα για να βρεις ένα που να έχει τέλεια γεύση. Αντίθετα, το PDGrapher λειτουργεί σαν ένας μάστερ σεφ που γνωρίζει ακριβώς πώς να συνδυάσει τα συστατικά για να πετύχει την επιθυμητή γεύση.
Η παραδοσιακή προσέγγιση εστιάζει στην ενεργοποίηση ή αναστολή μιας μόνο πρωτεΐνης, κάτι που έχει αποδειχθεί επιτυχές με θεραπείες όπως οι αναστολείς κινάσης. Ωστόσο, όπως επισήμανε η Marinka Zitnik, ανώτερη συγγραφέας της μελέτης, αυτή η παράδοση μπορεί να αποτύχει όταν οι ασθένειες προέρχονται από την αλληλεπίδραση πολλών σημάτων και γονιδίων. Το PDGrapher εξετάζει τη συνολική εικόνα για να βρει ενώσεις που μπορούν να αναστρέψουν τα σημάδια της ασθένειας στα κύτταρα, ακόμα κι αν οι επιστήμονες δεν γνωρίζουν ακριβώς ποιες είναι οι μοριακές αλληλεπιδράσεις.
Το PDGrapher είναι ένα εργαλείο τεχνητής νοημοσύνης που ονομάζεται γραφικό νευρωνικό δίκτυο. Αυτό το εργαλείο δεν εξετάζει μόνο μεμονωμένα δεδομένα, αλλά και τις σχέσεις που υπάρχουν μεταξύ αυτών και τις επιδράσεις τους. Στο πλαίσιο της βιολογίας και της ανακάλυψης φαρμάκων, αυτή η προσέγγιση χρησιμοποιείται για να χαρτογραφήσει τη σχέση μεταξύ διαφόρων γονιδίων, πρωτεϊνών και σημάτων μέσα στα κύτταρα, προβλέποντας τις καλύτερες συνδυασμένες θεραπείες που θα διορθώσουν τη λειτουργική ανεπάρκεια ενός κυττάρου.
Η διαδικασία εκπαίδευσης του εργαλείου περιλάμβανε τη χρήση δεδομένων από νοσούντα κύτταρα πριν και μετά τη θεραπεία, ώστε να προσδιορίσει ποια γονίδια πρέπει να στοχευτούν για να μετατραπούν τα κύτταρα από νοσούντα σε υγιή. Στη συνέχεια, το εργαλείο δοκιμάστηκε σε 19 σύνολα δεδομένων που καλύπτουν 11 τύπους καρκίνου, χρησιμοποιώντας τόσο γενετικά όσο και φαρμακευτικά πειράματα.
Το PDGrapher προέβλεψε με ακρίβεια τους στόχους φαρμάκων που ήταν ήδη γνωστοί, αλλά είχαν αποκλειστεί σκόπιμα κατά την εκπαίδευση για να διασφαλιστεί ότι το μοντέλο δεν απλώς ανακαλούσε τις σωστές απαντήσεις. Επίσης, εντόπισε πρόσθετους υποψήφιους που υποστηρίζονταν από αναδυόμενα δεδομένα.
