纽约市立大学创建新机器学习模型提高新药疗效的准确性

美国纽约市立大学研究团队创建了一个人工智能模型，可显著提高新药疗效的准确性并减少药物开发的时间和成本。最新一期《自然·机器智能》杂志描述的这种名为CODE-AE的新模型可筛选新的药物化合物，并准确预测对人体的疗效。在测试中，理论上它为9000多名患者确定了可更好治疗他们疾病的个性化药物。研究人员预计该技术将显著加速药物发现及精准医学发展。

准确并稳定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和为特定患者选择现有药物至关重要。然而，直接在人体中对药物进行早期疗效测试是不道德和不可行的，因此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。不幸的是，疾病模型中的药物效应，通常与人类患者的药物功效和毒性无关。这种差距正是新药发现成本高、生产率低的主要因素。

此次的新机器学习模型可解决从疾病模型到人类的转化挑战。CODE-AE的设计受生物学启发，并加入机器学习方面的最新进展，可解决用患者数据训练通用机器学习模型的问题。尽管此前已开发出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，而CODE-AE可提取被噪声和混杂因素掩盖的内在生物信号，有效缓解数据差异。

与现有最先进的方法相比，CODE-AE显著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准确性和稳健性。

研究团队将继续推进该技术在药物发现中的应用，让CODE-AE更可靠地预测新药在人体中的浓度和代谢影响。研究人员还指出，这一模型可能会被调整用于准确预测药物对人类的副作用。

纽约市立大学创建新机器学习模型 提高新药疗效的准确性

相关推荐

纽约市立大学创建新机器学习模型提高新药疗效的准确性