突破性的药物再利用 AI 模型可以为医生和患者带来新的希望,让他们尝试在现有治疗方案有限或根本没有的情况下治疗疾病。这个名为 TxGNN 的零样本工具可帮助医生找到现有药物的新用途,以治疗原本可能无法治疗的病症。
这项研究 最近发表在 《自然医学》 上,由哈佛大学的科学家领导,可能会减少药物研发的时间和成本,从而更快地为患者提供有效的治疗。
哈佛大学医学院 Blavatnik 研究所生物医学信息学助理教授兼 Kempner 研究所副教授 Marinka Zitnik 在 最近的一篇新闻文章 中表示:“借助此工具,我们的目标是在各个疾病领域确定新的治疗方法,但对于罕见、极为罕见和被忽略的疾病,我们预计该模型可以帮助缩小或至少缩小造成严重健康差距的差距。”
全球有超过 3 亿人患有 7000 多种罕见或未确诊疾病。在这些罕见疾病中,大约 7% 的患者接受过 FDA 批准的药物治疗。这意味着许多患者都在等待并希望获得新的治疗方法。
这种新的 AI 工具解决了当前大多数依赖已知药物治疗类似疾病的模型的局限性。由于缺乏数据,这些模型难以应对罕见和不太了解的疾病。
TxGNN 通过使用图神经网络 (GNNs) 分析和识别大型医疗数据集 (包括疾病、药物和蛋白质信息) 中的复杂关系和模式来克服这一问题。
研究人员使用肯普纳研究所的 AI 集群(包括 NVIDIA V100 Tensor Core GPU 和 NVIDIA H100 Tensor Core GPU )来训练和微调模型。据 Zitnik 称,GPU 在处理涵盖 17,080 种疾病和近 8,000 种药物的大型医学知识图方面发挥了至关重要的作用。
TxGNN 依靠图神经网络 (GNN) 对复杂的生物数据进行推理,并为专家生成透明的解释,以审查其预测的见解。通过分析这些潜在联系,AI 模型可以理解和预测药物如何影响特定状况。
在测试中,AI 模型在没有针对特定疾病进行训练的情况下,将治疗预测提高了 19%。在预测不应该使用药物的情况下,AI 模型在预测禁忌症方面的表现也优于现有模型。
它的治疗建议也与医生经常开的药物相匹配,即使这些药物在特定情况下没有获得批准。
访问 TxGNN Explorer 以了解更多信息并体验可视化界面。