肌萎缩性外侧硬化症（ALS）和其他神经退行性疾病的潜在治疗可能已经以针对其他疾病的药物形式出现。劳伦斯·利弗莫尔国家实验室（LLNL），斯坦福大学和加利福尼亚大学洛杉矶分校（UCLA）的一组研究人员正在使用人工智能和机器学习（AI/ML）尝试找到它们。
新药的临床试验可能需要长达7年的时间，因此重新利用现有药物是快速提供治疗的最佳方法之一。AI/ML可以使其更快。通过分析ALS患者的长期电子健康记录（EHR），该团队可以鉴定出针对可能影响疾病进展的其他疾病规定的药物（或药物组合）。这些药物的“脱靶”作用不仅可能影响患者的生存，而且还可以深入了解神经退行性疾病如何起作用并为更好的疗法提供信息。
“如果您与任何ALS护理人员交谈，您将被感动，因为这种疾病很严峻预后，因此能够做某事是极大的激励。
计算机到诊所
疾病控制中心估计，多达31,000名美国人患有ALS（也称为Lou Gehrig病），而退伍军人的诊断为高于平均人群。该疾病会攻击脊髓和大脑中的运动神经元，导致迁移率增加，直到人体关闭，通常在发病后的2年内。它的原因是未知的，没有治愈方法，只有三种FDA批准的药物会产生较小的影响。
但是，EHRS的出现 - 具有病史的数字文件，处方，人口统计信息等 - 为前所未有的研究机会打开了大门。
ALS是一种相对罕见的疾病，并且发病迅速，因此我们确实没有进行大型临床试验的数字或时间。[EHR]数据至关重要，因为现在我们可以使用先进的AI/ML工具来创建良好的，高信任的假设，并且我们可以进行1 3项目标临床试验，这些试验的成功率要高得多。”
llnl's计算工程部的参谋科学家Priyadip Ray
在临床试验中，一组类似的患者被随机给予治疗或安慰剂。如果接受治疗的一半有更好的结果，则证明治疗方法有效。使用EHR数据，Ray和他的团队使用了一种称为Causal Machine Learning的技术。
他说：“因果机学习创造了一种合成的临床试验。”“我们寻找被给予特定药物的患者，并将其与一组非常相似并且可能被给予该药物但没有给予的患者。”
与（re）目的移动
Ray，他的CED同事，Braden Soper，Andre Goncalves和Jose Cadena Pico，他们的合作者首先创建了ALS进步的代替代模型（数学近似），并使用了一个小的公开EHR数据集。通过由LLNL员工Mike Piscotty建立的ALS CURE项目的种子资金，以纪念他的妻子 - 该团队能够与来自退伍军人事务（VA）的ALS一起访问20,000多名退伍军人。EHR擦洗个性化信息后，该团队调查了ALS的风险因素，并从国防部收到了资金进行进一步分析。
该小组研究了162种药物，即患者定期接受ALS的发作，并确定了三个对生存产生显着阳性作用的类别：他汀类药物（减少胆固醇），α受体阻滞剂（降低血压和松弛肌肉）和PDE5抑制剂（哪些勃起功能障碍）。他们还发现，他汀类药物和α受体阻滞剂的结合具有协同作用。
该小组发现了一些关于这些药物和ALS的早期研究，这些研究支持了他们的结果，这表明他们都可以很好地重新利用候选人。斯坦福大学和加州大学洛杉矶分校合作者的合作者还对每种药物类型进行了蛋白质 - 蛋白质相互作用研究，并发现了一些常见的下游蛋白质靶标 - 药物最终会影响什么。
雷说：“我们对这些初步发现感到非常兴奋。”“如果我们还可以识别这些共享的下游蛋白质靶标，我们可以制造专门针对这些蛋白质并更好地工作的药物。”
由于VA数据偏向于具有军事背景的男性（这都是ALS的风险因素），因此该团队旨在证实和推广其结果。为此，他们计划分析来自optum EHR数据集的数百万个患者文件，这要归功于ALS网络，ALS CURE项目，Livermore Lab Foundation，RDM阳性影响基金会和斯坦福大学的新资金。他们还计划将其AI/ML方法应用于研究帕金森氏病，雷希望这能阐明治疗所有神经退行性疾病。
同时，该团队寻求资金在临床环境中验证他们的发现，这不仅是批准药物以治疗ALS的最终步骤之一，而且还确认他们的方法有效。
雷很高兴有机会使用AI/ML来改变医学研究以及实验室与学术界，工业和政府的独特基础设施以及使其成为可能的独特基础设施。
他说：“实验室认识到构建这些工具并使用患者数据可能会产生巨大影响。”“在医疗保健以及国家安全上有所作为的机会促使我从事这项高影响力的研究。”