Az új mesterséges intelligencia modell sejtszinten azonosítja, mely gének és gyógyszerkombinációk képesek visszafordítani a betegségeket, és helyreállítani az egészséges sejtműködést. A Nature Biomedical Engineering folyóiratban mutatták be a Harvard Medical School kutatói a PDGrapher MI modellt, ami segíthet elérni, hogy a betegségeket tényleges gyógyítását.
A legtöbb hagyományos gyógyszerkutatás egy-egy fehérjét vagy kóros célpontot próbál befolyásolni, abban bízva, hogy ez majd javít a betegségen. A PDGrapher viszont ennél sokkal mélyebbre megy: egyszerre több gén és biológiai folyamat kapcsolatát elemzi, és azt keresi, melyik kombináció hozza vissza a sejtet az egészséges állapotba. Ez a megközelítés nemcsak gyorsabb, hanem pontosabb is lehet a gyógyszerfejlesztésben.
A kutatók szerint ez a váltás olyan, mintha valaki nem száz ételt kóstolna végig, hogy megtalálja a tökéletes ízt, hanem pontosan tudná, milyen összetevőkből kell főzni. Marinka Zitnik, a Harvard professzora így fogalmazott:
A hagyományos gyógyszerkutatás olyan, mintha vakon kóstolgatnánk, míg a PDGrapher úgy működik, mint egy séf, aki pontosan tudja, mitől lesz harmonikus az étel.
Az PDGrapher MI-eszköz egy olyan gráf neurális hálózat, ami nem az egyes adatokra, hanem azok kapcsolatára figyel. A sejtekben futó folyamatokat, génkapcsolatokat és jelátviteli útvonalakat térképezi fel, majd szimulálja, hogyan reagálnának különböző gyógyszerkombinációkra. Így azonnal látni lehet, mely célpontokat érdemes támadni, hogy a sejt visszatérjen az egészséges működéshez.
A PDGrapher több mint egy tucat különböző daganattípuson bizonyított. Képes volt előre jelezni olyan gyógyszercélpontokat, amelyeket a kutatók korábban már sikeresen alkalmaztak, de a modell nem „tanulta meg” ezeket az adatokat – tehát valóban új felismeréseket tett. Az egyik ilyen példája a VEGFR2 gén, amelyet tüdőrák esetében is megerősített a klinikai gyakorlat. Egy másik esetben a TOP2A enzim szerepét azonosította új célpontként, amelyet már most is több kemoterápiás szer támad, de a modell szerint még szélesebb körben lehet hatékony.
A sebessége is lenyűgöző: más MI-modellekhez képest akár huszonötször gyorsabban ad eredményt, miközben a helyes célpontokat 35 százalékkal nagyobb pontossággal rangsorolja. Ez a teljesítmény a gyógyszerkutatások egyik legkritikusabb részét, az előzetes szűrést gyorsíthatja fel, ami évek helyett hónapokra rövidítheti a kísérleteket.
A kutatók szerint a PDGrapher hosszú távon akár személyre szabott terápiákhoz is elvezethet. A jövőben egy beteg sejtprofilja alapján a modell képes lehet megmondani, mely gén- vagy gyógyszerkombinációk segíthetnek visszaállítani a sejtek egészséges állapotát. A tudósok már most dolgoznak azon, hogy ezt az eszközt alkalmazzák agyi betegségeknél, például Parkinson- vagy Alzheimer-kór esetében is.
Zitnik szerint
a célunk, hogy térképet rajzoljunk arról, hogyan lehet sejtszinten visszafordítani a betegségeket.
Ha ez sikerül, az új modell nemcsak a gyógyszerfejlesztést alakíthatja át, hanem alapjaiban változtathatja meg, mit jelent a „gyógyítás” fogalma a modern orvoslásban.
