- Một nhóm nghiên cứu của Trung tâm Sau đại học CUNY đã tạo ra CODE-AE, một mô hình trí tuệ nhân tạo có thể cải thiện đáng kể độ chính xác và giảm thời gian cũng như chi phí phát triển dược phẩm.
- Hiệu quả điều trị trong mô hình bệnh có thể không nhất thiết phải tương ứng với hiệu quả dược phẩm và độc tính ở bệnh nhân thực tế. Khoảng cách kiến thức này là yếu tố chính khiến chi phí phát triển thuốc cao và tỷ lệ năng suất thấp.
- Các nhà nghiên cứu tin rằng kỹ thuật này sẽ đẩy nhanh đáng kể sự phát triển dược phẩm và y học chính xác.
- CODE-AE đánh bại các kỹ thuật hiện tại trong việc dự đoán phản ứng dược phẩm dành riêng cho bệnh nhân chỉ dựa trên sàng lọc hóa học dòng tế bào.
Quá trình từ việc tìm kiếm một thành phần trị liệu khả thi cho đến khi được FDA chấp thuận cho một loại thuốc mới có thể mất hơn một thập kỷ và tiêu tốn hơn một tỷ đô la. Một nhóm nghiên cứu của Trung tâm Sau đại học CUNY đã phát triển một mô hình trí tuệ nhân tạo có thể làm tăng đáng kể độ chính xác và giảm thời gian cũng như chi phí phát triển thuốc.
Độ chính xác của mô hình CODE-AE rất hứa hẹn
Mô hình mới, được gọi là CODE-AE, được mô tả trong nghiên cứu gần đây được phát hành trong Nature Machine Intelligence và có thể thử nghiệm các phân tử thuốc mới để dự đoán hiệu quả trên con người một cách đáng tin cậy. Trong các thí nghiệm, về mặt lý thuyết nó cũng có thể khám phá ra các loại thuốc phù hợp trong hơn 9.000 người có thể điều trị bệnh tốt hơn. Các nhà nghiên cứu dự đoán rằng công nghệ này sẽ đẩy nhanh đáng kể việc phát triển thuốc và y học chính xác.
Dự đoán chính xác và chắc chắn về các phản ứng cụ thể của bệnh nhân đối với một phân tử hóa học mới là rất quan trọng để khám phá các liệu pháp an toàn và hiệu quả cũng như lựa chọn loại thuốc hiện có cho một bệnh nhân cụ thể. Tuy nhiên, việc nghiên cứu trực tiếp tác dụng của thuốc trên người là trái đạo đức và không thể thực hiện được.
Để đánh giá hiệu quả điều trị của một phân tử dược lý, các mô hình tế bào hoặc mô thường được sử dụng làm đại diện cho cơ thể con người. Thật không may, tác động điều trị trong mô hình bệnh không phải lúc nào cũng tương quan với hiệu quả và độc tính của thuốc ở bệnh nhân thực tế. Khoảng cách thông tin này là nguyên nhân chính dẫn đến chi phí cao và tỷ lệ năng suất thấp trong quá trình phát triển thuốc.
Lei Xie, tác giả chính của bài báo và là giáo sư khoa học máy tính, sinh học và hóa sinh tại Trung tâm sau đại học CUNY và Đại học Hunter cho biết: “Mô hình học máy mới của chúng tôi có thể giải quyết thách thức chuyển dịch từ mô hình bệnh tật sang con người. CODE-AE sử dụng thiết kế lấy cảm hứng từ sinh học và tận dụng một số tiến bộ gần đây trong học máy. Ví dụ: một trong các thành phần của nó sử dụng các kỹ thuật tương tự trong việc tạo hình ảnh Deepfake.”
Theo You Wu, Tiến sĩ tại Trung tâm Sau đại học CUNY. là sinh viên và đồng tác giả của nghiên cứu, mô hình mới có thể đưa ra giải pháp cho vấn đề không có đủ dữ liệu bệnh nhân để đào tạo mô hình học máy chung. “Mặc dù nhiều phương pháp đã được phát triển để sử dụng sàng lọc dòng tế bào để dự đoán phản ứng lâm sàng, nhưng hiệu suất của chúng không đáng tin cậy do dữ liệu không nhất quán và khác biệt. CODE-AE có thể trích xuất các tín hiệu sinh học nội tại bị che khuất bởi các yếu tố nhiễu và gây nhiễu, đồng thời giảm bớt vấn đề sai lệch dữ liệu một cách hiệu quả”, Wu nói thêm.
Do đó, CODE-AE vượt trội hơn hẳn các phương pháp tiên tiến trong việc dự đoán phản ứng thuốc dành riêng cho bệnh nhân chỉ dựa trên sàng lọc hóa học dòng tế bào.
Trí tuệ nhân tạo mới có thể chẩn đoán bệnh nhân bằng giọng nói của họ
Rào cản tiếp theo mà trí tuệ nhân tạo này phải vượt qua
Rào cản tiếp theo đối với nhóm nghiên cứu trong việc mở rộng tiện ích của công nghệ trong phát triển thuốc là thiết lập một phương pháp để CODE-AE dự báo tác động của nồng độ và quá trình chuyển hóa của một loại thuốc mới trong cơ thể con người. Các nhà nghiên cứu cũng đề cập rằng mô hình AI có thể được điều chỉnh để dự đoán chính xác các tác dụng phụ của thuốc ở người.
