Artificial Intelligence Leads to Efficient Drug Development

人工智能的复杂性不断提高,研究人员找到了新的方法来利用这一复杂性,加强对以往难以治疗的疾病和其他慢性病的治疗研究。这些发展表明,未来有可能改变药物的开发和测试方式。

在本案例中,我们关注的具体问题是药物研究人员可以获得的大量数据。尽管可以获得大量的数据,但药物发现的成功率比40年前要低。简单地说,在临床前试验中成功的药物在临床试验中往往会失败。这个问题的原因很简单:临床前试验依靠的是实验室小白鼠这样的对象,它们的基因非常相似。相比之下,临床试验参与者的基因更加多样,这意味着临床前试验效果良好的治疗方法,在临床试验中仍然很有可能会失败。

加州大学圣地亚哥分校医学院最近发表的一项研究概述了一种不同的临床前试验方法,该方法采用的是机器学习,可以更好预测药物能否通过FDA的试验。该方法包括使用人工智能模拟疾病在发病和整个发展过程中的基因表达,这意味着系统可以更准确地预测该疗法对各种患者的疗效。从本质上说,系统可以利用现有数据,模拟对各种各样的基因图谱使用特定类型的治疗,不需要生成新的数据。

这称为0期方法,它有可能为制药企业节约数百万美元资金。使用通过机器学习生成的疾病模型可以预测疗效,无需从临床前试验着手。这样可以更好地了解疗法或药物在临床试验中的表现。反过来,这意味着如果运行模型时证明药物不太有效,制造商可以避免将资金投入到临床前和临床试验中。转而用这些资金研究可能对更多患者更有效的潜在疗法。

0期研究结果的有效性仍需要通过临床试验来验证,如果证实试验成功的预测是真的,它可能会彻底改变药物的开发方式,特别是就慢性病而言。

有关该项研究和方法的更多信息,请查看https://www.worldpharmanews.com/research/5742-artificial-intelligence-could-be-new-blueprint-for-precision-drug-discovery