Amerikai kutatók gépi tanuló algoritmus segítségével keresnek új alkalmazásokat meglévő gyógyszereknek. A már piacon lévő gyógyszerek „újrahasznosítása" lényegesen gyorsabb és hatékonyabb, mint ha újakat kellene fejleszteni.

Széles perspektívát nyithat a gyógyításban az új bioinformatikai módszer

Az új gyógyszerek fejlesztése és engedélyeztetése rendszerint igen hosszadalmas folyamat. Sokkal gyorsabban célba érhetünk, ha egy már létező és elfogadott gyógyszerről kiderül, hogy valami másra is használható, hiszen a klinikai vizsgálatok jó részén ezek a szerek már sikerrel átestek. A mesterséges intelligenciát most arra tanítják, hogy találjon olyan gyógyszereket, amelyek másra is jók lehetnek, mint amire kitalálták őket.

A mesterséges intelligenciát most arra tanítják, hogy találjon olyan gyógyszereket, amelyek másra is jók lehetnekForrás: Science Photo Library/TEK IMAGE/SCIENCE PHOTO LIBRARY/Tek Image/Science Photo Library

A gépi tanuló algoritmus roppant adattömegeken rágja át magát, és próbálja kikövetkeztetni az egyes gyógyszerekről, milyen más betegségben lehet hasznuk azon kívül, amire fel szokás őket írni.

A gyógyszerek ilyetén „újrahasznosítása" egyáltalán nem új gondolat.

Klasszikus példa a Botox-injekció, amit eredetileg kancsalságra találtak ki, de hamar ránctalanító kozmetikai varázskezelés lett belőle, újabban pedig migrén ellen is használják.

A mesterséges intelligencia segítségével a már meglévő gyógyszerek további felhasználási lehetőségeit kutatjákForrás: Science Photo Library/SERGII IAREMENKO/SCIENCE PHOTO LIBRARY/Sergii Iaremenko/Science Photo L

A COVID elleni küzdelemben pedig a vakcinafejlesztés mellett

top prioritássá vált a már kész gyógyszerek COVID-ellenes tesztelése,

éppen mert ezzel a stratégiával lényegesen gyorsabban elérhetünk a klinikai felhasználásig. Egészen mostanáig azonban az eredetitől eltérő alkalmazási területek feltárása majdhogynem próba-szerencse alapon történt, az új felhasználási körben kifejtett hatékonyság igazolása pedig hosszadalmas és költséges randomizált klinikai vizsgálatokat igényelt.

A COVID-19 vírus művészi ábrázolása. Az új módszer a koronavírus elleni küzdelemben is hasznos lehetForrás: Getty Images/iStockphoto/Hazemmkamal

Az Ohioi Állami Egyetem (Ohio State University) kutatói ezért most egy olyan bioinformatikai keretrendszert dolgoztak ki, amelybe irdatlan mennyiségű adatot lehet betáplálni valós betegek már lezajlott kezeléseiről, és ezekből nagy számítási teljesítménye révén ki tudja hámozni, milyen hatással bírhatnak az alkalmazott gyógyszerek olyan egészségügyi problémákra, amelyek nem tartoznak a javallati körükbe.

A valódi döntéseket mindig a klinikusoknak kell meghozniuk

Bár a konkrét vizsgálat célja olyan gyógyszerek keresése volt, amelyek eredeti indikációjukon kívül hasznosak lehetnek a szívkoszorúér-betegségben szenvedők számára a szívelégtelenség és a stroke megelőzésében, a kutatók hangsúlyozzák, hogy a keretrendszer rugalmas, és szinte bármilyen betegségre lehet alkalmazni.

Az új keretrendszer rendkívül rugalmas, és szinte bármilyen betegségre lehet alkalmazni.Forrás: https://www.bbc.co.uk/programmes/p0844pgw

„Munkánk megmutatja, miként használhatjuk a mesterséges intelligenciát egy gyógyszer virtuális 'tesztelésére' valódi pácienseken, s ezzel hogyan gyorsíthatjuk fel a hipotézisgenerálást, sőt, akár a klinikai vizsgálatokat is – mondta el Ping Zhang, a Nature Machine Intelligence című folyóiratban publikált cikk rangidős szerzője, aki az Ohio State számítástudományi és orvosbiológiai informatikai előadója.

– Természetesen a valódi orvosokat sosem válthatja fel egy gép. A kezeléssel kapcsolatos döntéseket mindig is klinikusok fogják meghozni."

Forrás: AFP/Josh Edelson

Az engedéllyel rendelkező gyógyszerek újrahasznosításában az a legvonzóbb, hogy ezek egyszer már átestek a biztonságossági vizsgálatokon, s emiatt lényegesen rövidebb idő alatt hadrendbe lehet őket állítani egy új klinikai alkalmazási területen, mint egy vadonatúj vegyületet.

A gyógyszerek hatékonyságának vizsgálatában továbbra is a randomizált klinikai vizsgálatok jelentik az aranysztenderdet.

Ám – amint Zhang rámutatott – a gépi tanulás egy nagy vizsgálati populáción belül több száz, akár több ezer egyedi különbséget is figyelembe tud venni, amelyek mind befolyásolhatják egy gyógyszernek a szervezetre gyakorolt hatását.

A módszerrel új terápiás módszerek egész sora válik bevezethetővé, már meglévő gyógyszerek alkalmazásával, akár a COVID-19 vírus ellen isForrás: Science Photo Library via AFP/SERGII IAREMENKO/SCIENCE PHOTO LIBRARY/Sergii Iaremenko/Science Photo L

Ezek a kezeléstől független hatótényezők, mint az életkor, a nem, az etnikai hovatartozás, a betegség súlyossága, vagy az egyidejűleg fennálló egyéb betegségek a keretrendszer alapját képező mély tanulási algoritmusban paraméterként jelennek meg.

Mindez az információ közvetlenül a való világból származik:

olyan longitudinális, vagyis hosszú időn át zajló utánkövetéses megfigyelésekből, amelyek betegek millióinak elektronikus egészségügyi dossziéiból – betegbiztosítási igényekből és orvosi vényekből – állnak össze.

Egyetlen emberi elme sem képes egyszerre kezelni a hatótényezők tömegét

„A való világban a megfigyelések értelmezését rengeteg potenciális hatótényező nehezíti. Ez az oka annak, hogy a mély tanuló algoritmusba be kell ezeket vonnunk, amely képes a nagy számú paraméter együttes kezelésére – magyarázza Zhang, aki a Mesterséges Intelligencia az Orvoslásban laboratórium vezetője és a Transzlációs Adatelemzési Intézet munkatársa az Ohio State-en. – A hatótényezők százait, hovatovább ezreit

egyetlen emberi elme sem tudja kezelni,

ezért a mesterséges intelligenciához kell folyamodnunk a probléma megoldása érdekében.

A mesterséges intelligencia folyamatosan fejlődik, amelynek segítségével egyre komolyabb és mérvadóbb áttöréseket érnek el a kutatókForrás: pexels.com

Csoportunk elsőként vezette be a mély tanuló algoritmusok használatát a való világból származó egészségügyi adatok kezelésére, a nagy számú hatótényező kezelésére és a klinikai vizsgálatok számítógépes szimulációjára." A kutatók közel 1.2 millió szívbeteg páciens egészségbiztosítási adatait használták fel.

A dossziék tartalmazták a rendelt kezelést, a releváns leleteket és a lehetséges egyéb hatótényezők értékeit.

A mély tanuló algoritmus minden egyes beteg esetében figyelembe tudta venni az idő múlását is: mi történt vele két orvosi vizsgálat között eltelt időben, miként alakultak a felírt gyógyszerei és a diagnosztikus vizsgálatainak eredményei.

Forrás: Science Photo Library/TEK IMAGE/SCIENCE PHOTO LIBRARY/Tek Image/Science Photo Library

A gyógyszereket illetően a modell a konkrét márkaneveket nem, csak a hatóanyagokat vette figyelembe. Az oksági következtetések elméletének felhasználásával a kutatók a jelen elemzés céljára a betegeket a klinikai vizsgálatokhoz hasonló módon aktív (hatóanyaggal kezelt) és kontroll (placebo) karokra osztották.

A modell két évig követte nyomon a betegek sorsának alakulását,

s ennél a végpontnál az egészségügyi állapotukat összefüggésbe hozták azzal, milyen gyógyszereket szedtek időközben, és mikor kezdték a kezelést.

Kísérleti gyógyszerekForrás: Science Photo Library/TEK IMAGE/SCIENCE PHOTO LIBRARY/Tek Image/Science Photo Library

„Az oksági következtetések révén többféle kezelés együttes hatását is tudjuk elemezni. Nem azt a kérdést próbáljuk megválaszolni, hogy A gyógyszer vagy B gyógyszer egyenként hat-e a betegségre, hanem kiszámoljuk, melyik kezelés eredményezett jobb egészségügyi kimeneteleket" – tette hozzá Zhang.

Új terápiás lehetőségeket tárhat fel a mesterséges intelligencia

A kiinduló munkahipotézis az volt, hogy a modell alkalmas lehet olyan gyógyszerek azonosítására, amelyek mérséklik a szívelégtelenség és a stroke kockázatát a szívkoszorúér-betegekben. A számítások 9 gyógyszerről mutattak ki ilyen irányú hatást.

Ezek közül három már most is használatban van ilyen céllal, ami jó visszaigazolás a modell hasznára nézve.

A 9-ből 6 gyógyszert viszont eddig nem használtak ebben a javallati körben, így ezeket érdemes lehet ezzel a szemmel újravizsgálni.

Forrás: Wikimedia Commons

Az így azonosított szerek között szerepel például a vércukorszint-csökkentő metformin, valamint a depresszió és szorongás ellen felírható escitalopram.

Az eredmények arra utalnak, hogy eredeti indikációs körükön túl ezek a gyógyszerek a szívelégtelenség és a stroke megelőzésére is alkalmasak lehetnek. Nem mellesleg mindkét gyógyszer már most is szerepel szívbetegségeket érintő klinikai vizsgálatokban.

A mesterséges intelligencia a gyógyszerkutatásban is új dimenziókat nyitForrás: Science Photo Library/SERGII IAREMENKO/SCIENCE PHOTO LIBRARY/Sergii Iaremenko/Science Photo L

Zhang kiemelte: nem is annyira ennek a konkrét tanulmánynak az eredménye a fontos, hanem a hozzá vezető út. „Feltett szándékom, hogy a módszert – más szakértőkkel együttműködésben – felhasználjuk arra, hogy gyógyszereket keresünk olyan betegségek ellen, amelyekre pillanatnyilag nincs gyógymód – hangoztatta a kutató. – Az algoritmus nagyon rugalmas, esetről esetre átszabható. Az általános modellt bármely betegségre alkalmazhatjuk, amelynek jól definiálható kimenetele van."