ИИ может помочь предсказать нефротоксичность лекарств и ускорить разработку новых лекарств | Новости технологий

В последние годы искусственный интеллект (ИИ) продолжает расширяться в биомедицинской области. Недавние исследования в Даляньском технологическом университете были сосредоточены на использовании глубокого обучения для прогнозирования почечной токсичности лекарств, чтобы потенциально токсичные соединения можно было устранить на ранних стадиях разработки новых лекарств, чтобы избежать вреда субъектам или пациентам. Если технология искусственного интеллекта станет зрелой, это поможет ускорить процесс разработки новых лекарств и снизить риски клинических испытаний. Статья была недавно опубликована в журнале «Молекулярное разнообразие».

Основная функция почек – фильтрация крови и регулирование электролитного баланса. Воздействие токсичных химических веществ может привести к острому повреждению почек или хронической болезни почек. Многие широко используемые лекарства, такие как химиотерапевтические препараты, нестероидные противовоспалительные препараты, некоторые антибиотики и т. д., могут повредить почки. При разработке новых традиционных лекарств оценка безопасности лекарств требует проведения анализов in vitro, экспериментов на животных и т. д., которые являются дорогостоящими и трудоемкими, а результаты не согласуются с реакциями человека. Препараты с выраженной токсичностью могут ошибочно считаться безопасными, что в конечном итоге приводит к приостановке клинических испытаний или отзыву препаратов после выхода на рынок.

Маркируйте соединения и позвольте искусственному интеллекту понять их токсичность

Используя глубокое обучение ИИ, риски, связанные с наркотиками, можно анализировать с помощью огромных объемов данных, что можно рассматривать как новое решение проблемы. Чтобы придать модели ИИ достаточную достоверность, команда создала набор данных из 1018 соединений, проверила и маркировала эти соединения в соответствии со строгими стандартами: любые соединения, которые явно связаны с «повреждением почек», «нефротоксичностью» и «заболеванием почек», помечаются как токсичная группа; Соединения, не вызывающие побочных реакций со стороны почек или обладающие защитой почек или лечением заболеваний почек, классифицируются как нетоксичная группа. Эти соединения охватывают распространенные клинические препараты и экспериментальные соединения, закладывая прочную основу для обучения моделей.

Команда построила 42 набора моделей прогнозирования для сравнения производительности. Результаты показывают, что глубокая нейронная сеть (DNN) работает лучше всего и может эффективно различать нефротоксичность соединений с точностью более 70%, что достигло уровня практического применения. Также был введен алгоритм SHAP (SHapley Additive exPlanations) для выявления десяти наиболее влиятельных химических субструктур (субструктур). Эти характеристики являются потенциальными «маркерами нефротоксичности». В будущем, если эти структуры будут обнаружены на ранних этапах разработки лекарств, их можно будет скорректировать как можно раньше, чтобы избежать токсичности.

Две основные проблемы в прогнозировании токсичности лекарств с помощью ИИ

Основной момент исследования — ИИ изучает химические структуры, помогая разработчикам лекарств раньше исключать кандидатов с высоким риском и избегать ненужной траты ресурсов. Однако точность модели по-прежнему ограничена разнообразием баз данных и качеством аннотаций. Если данные смещены в сторону определенных классов наркотиков, модель все равно может быть неточной. Кроме того, глубокое обучение имеет характеристики «черного ящика», и процесс принятия решений трудно понять. Чтобы сделать модели искусственного интеллекта формальной основой для надзора за лекарствами и принятия клинических решений, по-прежнему требуется больше межотраслевых стандартов проверки и прозрачности.

Заглядывая в будущее, это исследование демонстрирует потенциал ИИ в обеспечении безопасности лекарств. Если его можно будет расширить для прогнозирования токсичности других органов, таких как токсичность для печени, кардиотоксичность и т. д., появится возможность создать платформу для прогнозирования мультиорганной токсичности. Фармацевтические компании могут использовать эти инструменты на этапе молекулярного проектирования, чтобы снизить процент неудач на поздних стадиях испытаний. Если эти модели будут дополнительно интегрированы с клиническими данными и геномной информацией, врачи смогут прогнозировать токсическую реакцию пациентов на конкретные лекарства на основе их генотипа и метаболических характеристик, что позволит реализовать «безопасность лекарств» на индивидуальном уровне.

(Источник первой картинки:ФриПик）