AI untuk reposisi obat
getty
Pendekatan inovatif untuk penemuan obat diperlukan untuk membantu menemukan pengobatan yang efektif untuk berbagai penyakit yang menghinggapi umat manusia. Prosesnya sangat panjang dan mahal, dengan jangka waktu hingga 15 tahun, dan biaya lebih dari satu miliar dolar. Sekarang, TxGNN, sebuah model kecerdasan buatan (AI) yang revolusioner telah dikembangkan yang menjanjikan untuk meningkatkan cara peluang diidentifikasi untuk penyakit dengan pilihan pengobatan terbatas dan dibuat tersedia secara gratis untuk mendorong klinisi-saintis memajukan pencarian terapi baru.
Dengan memanfaatkan kemajuan terbaru dalam pembelajaran dalam grafika dan AI berbasis manusia, laboratorium Zitnik Harvard telah memperkenalkan TxGNN, model yang dirancang untuk inovasi reposisi obat dan penemuan. TxGNN adalah jaringan neural grafik yang telah dilatih sebelumnya pada grafik pengetahuan komprehensif yang mencakup 17.080 penyakit yang diakui secara klinis dan 7.957 calon terapeutik. Kumpulan data yang luas ini memungkinkan TxGNN untuk memproses berbagai tugas terapeutik, seperti memprediksi indikasi (penggunaan yang sesuai untuk obat) dan kontraindikasi (situasi di mana obat tidak boleh digunakan), dalam format transparan yang membuat pencarian obat lebih mudah bagi para peneliti.
Zero-Shot Inference: Sebuah Permainan Changer
Salah satu fitur paling luar biasa dari TxGNN adalah kemampuannya untuk melakukan inferensi nol-shot. Ini berarti bahwa model ini dapat membuat prediksi tentang penyakit baru tanpa memerlukan parameter tambahan atau penyesuaian halus pada label kebenaran dasar. Dengan kata lain, TxGNN bisa mengidentifikasi penggunaan terapeutik potensial untuk penyakit yang belum pernah ditemui sebelumnya, membuatnya menjadi alat yang kuat dalam perang melawan penyakit langka dan terlantar. Menurut para ahli, inferensi nol-shot adalah teknik di mana model dapat mengklasifikasikan atau memprediksi informasi untuk kategori yang benar-benar baru, bahkan jika belum pernah melihat contoh pelatihan untuk kategori tersebut.
AI untuk membantu mempercepat terapi baru untuk kondisi yang tidak terpenuhi
getty
Alamat Penyakit Langka dan Tidak Terdiagnosis
Ada lebih dari 7.000 penyakit langka dan tidak terdiagnosis secara global. Meskipun setiap kondisi mempengaruhi sejumlah kecil individu, secara kolektif penyakit-penyakit ini memengaruhi sekitar 300 juta orang di seluruh dunia, memberikan dampak kemanusiaan dan ekonomi yang mengagumkan. Dengan hanya 5 hingga 7 persen dari kondisi ini memiliki obat yang disetujui oleh FDA, mereka tetap tidak terobati atau kurang diobati. Mengembangkan obat baru untuk penyakit-penyakit ini merupakan tantangan yang menakutkan, tetapi TxGNN menawarkan harapan dan alat gratis tersebut dirilis khusus untuk memfasilitasi lebih banyak pekerjaan di bidang ini.
Kinerja TxGNN telah sangat mengesankan. Selain mencocokkan obat untuk kondisi tertentu, model ini memprediksi obat mana yang akan memiliki efek samping dan kontraindikasi, sesuatu yang pendekatan penemuan obat saat ini mengidentifikasi sebagian besar dengan cobaan dan kesalahan selama uji klinis awal yang difokuskan pada keselamatan. Dalam evaluasi, model ini menunjukkan peningkatan signifikan dibandingkan dengan metode yang ada, mencapai hingga 49,2% akurasi prediksi yang lebih tinggi untuk indikasi dan 35,1% akurasi lebih tinggi untuk mengidentifikasi kontraindikasi.
Secara historis, reposisi obat—mengidentifikasi penggunaan terapeutik baru untuk obat yang disetujui—seringkali merupakan masalah keberuntungan. Dengan memanfaatkan kerangka pembelajaran dalam grafika, TxGNN dapat membuat prediksi terapeutik bahkan untuk penyakit yang tidak memiliki obat yang ada. Kemampuan ini sangat berharga untuk mengatasi kebutuhan penyakit kompleks, terlantar, atau langka, yang seringkali kurang memiliki indikasi sebelumnya dan interaksi target molekuler yang dikenal.
Prediksi yang Dapat Diinterpretasikan dan Transparan
Salah satu kekuatan utama dari TxGNN adalah interpretabilitasnya. Modul Penjelasannya menawarkan wawasan transparan tentang jalur multi-hop yang membentuk dasar prediksi TxGNN. Fitur ini memungkinkan klinisi dan ilmuwan untuk kontekstual dan memvalidasi prediksi model, membuatnya lebih mudah dipercaya dan diambil tindakan atas kandidat terapeutik yang disarankan. Selama studi pengguna, ahli medis menemukan penjelasan ini sangat penting dalam memahami dan memvalidasi prediksi TxGNN.
TxGNN menunjuk titik-titik mekanisme penyakit bersama berdasarkan landasan genomik yang umum, memungkinkannya untuk menggeneralisasikan dari penyakit yang dipahami dengan baik dengan pengobatan yang diketahui ke satu yang kurang dipahami tanpa pengobatan. Kemampuan ini membawa alat AI lebih dekat ke jenis pemikiran yang dapat digunakan oleh klinisi manusia untuk menghasilkan gagasan-gagasan baru jika mereka memiliki akses ke seluruh pengetahuan yang ada dan data mentah yang dimiliki oleh model AI tetapi yang tidak bisa diakses atau disimpan oleh otak manusia.
Alat ini dilatih dengan sejumlah besar data, termasuk informasi DNA, sinyal sel, tingkat aktivitas gen, catatan klinis, dan lainnya. Para peneliti menguji dan menyempurnakan model ini dengan meminta model untuk melakukan berbagai tugas. Kinerja alat ini divalidasi pada 1,2 juta catatan pasien, mengidentifikasi kandidat obat untuk berbagai penyakit dan memprediksi karakteristik pasien yang akan membuat kandidat obat yang diidentifikasi menjadi kontraindikasi untuk populasi tertentu.
Arah Masa Depan
Keberhasilan TxGNN membuka peluang baru yang menarik untuk penemuan obat. Kemampuan model ini untuk menggeneralisasikan ke penyakit dengan sedikit pilihan pengobatan dan melakukan inferensi nol-shot membuatnya menjadi alat yang serbaguna yang dapat disesuaikan untuk kasus penggunaan lain, seperti penemuan target obat dan pemilihan terapi yang ditargetkan. Selain itu, strategi prediksi multi-penyakit yang diterapkan oleh TxGNN menunjukkan bahwa pendekatan komprehensif untuk reposisi obat dapat menghasilkan lebih banyak kandidat obat yang diposisikan ulang daripada pendekatan tunggal tradisional.
TxGNN mewakili kemajuan yang signifikan di bidang penemuan obat. Dengan memanfaatkan kekuatan pembelajaran dalam grafika dan AI berbasis manusia, model ini menawarkan solusi yang menjanjikan untuk tantangan mengidentifikasi peluang terapeutik baru untuk penyakit dengan pilihan pengobatan terbatas. Dengan kinerja yang mengesankan, validasi dunia nyata, dan prediksi yang transparan, TxGNN siap membuat dampak yang abadi pada cara kita menemukan dan memposisikan ulang obat, yang pada akhirnya akan meningkatkan perawatan dan hasil pasien.