确定数千种疾病的可能疗法，包括目前尚无治疗方法的疾病
有超过 7,000 种疾病全球罕见和未确诊的疾病。
虽然每种疾病只发生在少数人身上，但这些疾病加在一起造成了惊人的人类和经济损失，因为它们影响着全世界约 3 亿人。然而，这些病症中只有 5% 到 7% 拥有 FDA 批准的药物，因此它们在很大程度上仍未得到治疗或治疗不足。
开发新药是一项艰巨的挑战，但新的人工智能工具可以推动从现有药物中发现新疗法，为患有罕见和被忽视疾病的患者以及治疗这些疾病的临床医生带来希望。
名为 TxGNN 的人工智能模型是第一个专门开发用于识别候选药物的模型它从现有药物中识别出针对 17,000 多种疾病的候选药物，其中许多疾病没有任何现有治疗方法。这代表了迄今为止任何单一人工智能模型可以处理的最大数量的疾病。研究人员指出，除了最初实验中研究的 17,000 种疾病之外，该模型还可以应用于更多疾病。
周三在《自然医学》杂志上描述的这项工作是由哈佛医学院的科学家领导的。研究人员免费提供该工具，并希望鼓励临床医生科学家在寻找新疗法时使用它，特别是对于没有或治疗选择有限的情况。
通过该工具，我们的目标是首席研究员马琳卡·齐特尼克 (Marinka Zitnik) 助理教授、首席研究员马林卡·齐特尼克 (Marinka Zitnik) 表示，该模型可以识别整个疾病谱系的新疗法，但当涉及罕见、极其罕见和被忽视的疾病时，我们预计这种模型可以帮助缩小或至少缩小造成严重健康差距的差距。HMS Blavatnik 研究所的生物医学信息学。
这正是我们看到人工智能在减轻全球疾病负担、为现有药物寻找新用途方面的前景的地方，这也是一种更快、成本更低的方法。哈佛大学肯普纳自然与人工智能研究所副教授 Zitnik 补充道，这是一种比从头开始设计新药更有效的开发疗法的方法。
当它到来时对于罕见、极其罕见和被忽视的情况，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异的差距。
Marinka Zitnik，布拉瓦尼克研究所
新工具已两个核心功能，一是识别候选治疗药物以及可能的副作用，另一个是解释该决定的基本原理。
该工具总共从近 8,000 种药物中识别出候选药物（包括 FDA 批准的药物和实验性药物（现已进入临床试验）治疗 17,080 种疾病，包括没有可用治疗方法的疾病。它还预测了哪些药物在特定情况下会产生副作用和禁忌症，而当前的药物发现方法主要是通过在注重安全性的早期临床试验中反复试验来确定的。
与领先的药物人工智能模型相比经过重新调整，新工具在识别候选药物方面平均提高了近 50%。在预测哪些药物有禁忌症方面，它的准确率也提高了 35%。
重新利用现有药物是开发新疗法的一种诱人方法，因为它依赖于经过研究、具有充分了解的安全性并通过监管审批流程的药物。
大多数药物具有超出其最初开发和批准的特定目标的多种作用。但在最初的测试、临床试验和审查过程中，其中许多效果仍未被发现和研究，只有在数百万人使用多年后才出现。事实上，近 30% 的 FDA 批准药物在最初批准后已经获得了至少一种额外的治疗适应症，而且许多药物多年来已经获得了数十种额外的治疗适应症。
这种药物再利用的方法是随意的。充其量。它依赖于患者对意想不到的有益副作用的报告，或依赖于医生关于是否使用药物治疗非预期病症的直觉，这种做法称为超说明书使用。
我们倾向于依赖Zitnik 说，这取决于运气和偶然性，而不是策略，这将药物发现限制在已经存在药物的疾病上。
Zitnik 指出，药物重新利用的好处超出了无需治疗的疾病。
即使对于已批准治疗的更常见疾病，新药也可以提供副作用更少的替代品，或取代对某些患者无效的药物，她说。
当前大多数用于药物发现的人工智能模型都是针对单一疾病或少数病症进行训练的。新工具不是专注于特定疾病，而是以使其能够使用现有数据做出新预测的方式进行训练。它通过识别多种疾病的共同特征来实现这一点，例如共同的基因组畸变。例如，人工智能模型根据共同的基因组基础查明共同的疾病机制，这使得它能够从一种已知治疗方法的已知疾病推断出一种不了解且没有治疗方法的疾病。
这种能力，研究小组表示，如果人类临床医生能够访问人工智能模型所具有的所有预先存在的知识和原始数据，但人脑无法访问这些知识和原始数据，则使人工智能工具更接近于人类临床医生可能用来产生新想法的推理类型。
该工具接受了大量数据的训练，包括 DNA 信息、细胞信号传导、基因活性水平、临床记录等。研究人员通过要求模型执行各种任务来测试和完善该模型。最后，该工具的性能在 120 万份患者记录上进行了验证，并要求识别针对各种疾病的候选药物。
研究人员还要求该工具预测哪些患者特征会使所识别的候选药物对某些患者产生禁忌。
另一项任务涉及要求该工具识别现有的小分子，这些小分子可能有效地阻断与致病途径和过程有关的某些蛋白质的活性。
在一项旨在为了评估模型像人类临床医生一样进行推理的能力，研究人员促使模型寻找针对三种罕见疾病的药物，这些疾病是其训练的一部分，其中一种是神经发育障碍、结缔组织疾病，以及一种导致疾病的罕见遗传疾病。水失衡。
研究人员随后将药物治疗的模型建议与有关建议药物如何发挥作用的当前医学知识进行了比较。在每个示例中，工具的建议都与当前的医学知识相一致。
此外，该模型不仅确定了针对所有三种疾病的药物，而且还提供了其决策背后的基本原理。这种解释器功能可以提高透明度，并可以增加医生的信心。
研究人员警告说，该模型确定的任何疗法都需要对剂量和给药时间进行额外评估。但是，他们补充说，凭借这种前所未有的能力，新的人工智能模型将以一种迄今为止不可能的方式加速药物的重新利用。该团队已经与几个罕见疾病基金会合作，以帮助确定可能的治疗方法。
合著者包括 Kexin Huang、Payal Chandak、Qianwen Wang、Shreyas Havaldar、Akhil Vaid、Jure Leskovec、Girish N. Nadkarni、Benjamin S. Glicksberg 和 Nils Gehlenborg。
这项工作得到了美国国家科学基金会职业奖（拨款 2339524）、美国国立卫生研究院（拨款 R01-HD108794）、美国国防部（拨款 FA8702-）的支持。15-D-0001)、亚马逊教师研究、谷歌研究学者计划、阿斯利康研究、罗氏杰出科学家联盟、赛诺菲 iDEA-TECH 奖、辉瑞研究、陈·扎克伯格倡议、HMS 约翰和弗吉尼亚·卡内布奖学金、Biswas Family Foundation Transformative与米尔肯研究所、HMS 人工智能使用院长创新奖、哈佛大学肯普纳自然与人工智能研究所以及 HMS 苏珊娜·E·丘吉尔博士生物医学信息学夏季研究所合作提供计算生物学资助。