متأسفانه، اثربخشی و سمیت درمان در بیماران معتادان با تاثیر دارویی در یک مدل بیماری مطابقت ندارد. این شکاف دانش در درجه اول باعث هزینه بالا و نرخ پایین بهره‌وری کشف و توسعه داروها می‌شود.
این مدلی که در مجله Nature Mature Intelligence منتشر شده است، می‌توان به طور قابل توجهی توجه سرعت دارو و توسعه داروی دقیق را افزایش داد.
یک راه حل جدید
انتهای پیام
وی افزود: مدل CODE-AE هنگام پیشبینی پاسخ‌های دارویی خاص از نظر دقت و آزمایش بسیار بهتر از روش‌های پیشین عمل می‌کند.
این مدل جدید موسوم به CODE-AE می‌تواند مولکول‌های دارویی کاملاً جدید را غربال کند و اثربخشی آنها را در افراد به طور قابل اعتماد پیشبینی کند. این مدل در آزمایشات انجام شده همچنین قادر به یافتن داروهای مناسب بالقوه تر برای بیش از 900 بیمار بود.
وظیفه بعدی این تیم تحقیقاتی که توسط موسسه ملی علوم پزشکی عمومی و ملی پیری آمریکا حمایت می‌شود، ایجاد روشی برای CODE-AE به منظور پیشبینی دقیق تشخیص و متابولیسم داروی جدید در بدن انسان است.
مدل هوش مصنوعی CODE-AE از الهام گرفته شده از زیست شناسی استفاده می‌کند و از طراحی جدید در فناوری ماشین نیز استفاده می‌کند. به عنوان مثال، یکی از اجزای آن از تکنیک‌های مشابه در تولید تصاویر جزئی (Deepfake) استفاده می‌کند.
این جدید می‌تواند راه حلی را برای بررسی یک مدل ماشینی ارائه دهد.
محققان همچنین می‌توانند این مدل هوش مصنوعی را برای پیشبینی دقیق نامطلوب داروها در انسان تنظیم کنند.
پروفسور لی ژی استاد علوم کامپیوتر، زیست شناسی و بیوشیمی در مرکز فارغ التحصیلان التحصیلان کالج شهری نیویورک و نویسنده ارشد این مقاله می‌گوید: مدل ماشینی جدید ما می‌توان این چالش را حل کرد و فصل کند.
برنامه های آینده
پیشبینی دقیق و قابل پاسخ‌گویی به بیماران خاص به یک مولکول شیمیایی جدید برای یافتن درمان‌های ایمن و بررسی و انتخاب داروی یک بیمار خاص. با این حال، آزمایش مستقیم اثربخشی اولیه یک داروی جدید بر روی انسان، غیراخلاقی و غیرممکن است. در این مطالعه آمده است که برای ارزیابی اثربخشی درمانی یک مولکول دارویی، مدل‌های سلولی یا بافتی بدن انسان مورد استفاده قرار می‌گیرد.
به گزارش ایسنا و به نقل از آی‌ای، یک مدل جدید هوش مصنوعی که توسط کالج شهری نیویورک توسعه یافته است، قادر خواهد بود واکنش انسان به ترکیبات دارویی جدید را به طور دقیق پیش بینی کند. علاوه بر این، هزینه کمتری دارد و روش سریع‌تری است.
ژی می‌گوید: روش‌های زیادی برای استفاده از پاسخ‌های سلول‌ها برای پیش‌بینی‌های بالینی ایجاد شده‌اند، اما عملکرد آنها به دلیل ناهماهنگی و داده‌ها غیرقابل اعتماد است. در حال حاضر CODE-AE می‌توان‌های بیولوژیکی ذاتی پنهان و عوامل مخدوش نتایج را می‌سازد و می‌تواند مشکل را کنترل کند.