Otkrivanje novih lekova uz pomoć veštačke inteligencije

Naučnici iz Kine i SAD-a razvili su ActFound, novi AI model koji nadmašuje postojeće metode u predviđanju bioaktivnosti lekova, potencijalno ubrzavajući i smanjujući troškove u razvoju lekova.

Detalji:

ActFound kombinuje meta učenje (pristup učenja koji koristi prethodno stečena znanja za učenje novih zadataka) i parno učenje (tehnika koja upoređuje parove podataka) kako bi prevazišao uobičajena ograničenja u AI otkrivanju lekova, kao što su male baze podataka i nekompatibilna merenja.

Model je treniran na više od 35.000 testova (analiza metalnih ruda) i 1,6 miliona eksperimentalno izmerenih bioaktivnosti iz popularne hemijske baze podataka. U testovima, ActFound je nadmašio devet konkurentskih modela i pokazao snažnu performansu u predviđanju bioaktivnosti lekova za rak.

Zašto je to važno?

ActFound bi mogao značajno ubrzati razvoj lekova tačnim predviđanjem svojstava spojeva uz manje podataka i niže troškove od tradicionalnih metoda. Iako je još u ranim fazama razvoja, AI dostignuća poput ovog su manje poznati napretci koji bi mogli na kraju spasiti milione života.

Najbolje prakse i saveti:

1. Integracija AI u rane faze istraživanja lekova: Korišćenje naprednih AI modela kao što je ActFound može optimizovati procese identifikacije i testiranja potencijalnih lekova.
2. Kombinovanje različitih pristupa AI učenju: Meta učenje i parno učenje zajedno omogućavaju preciznije modele koji mogu prevazići izazove sa malim ili neusklađenim skupovima podataka.
3. Kontinuirano usavršavanje modela: Redovno ažuriranje i treniranje AI modela sa najnovijim podacima može poboljšati njihovu tačnost i efikasnost.

Predložene inovacije:

• Razvijanje sličnih AI modela za druge oblasti medicinskih istraživanja, poput predviđanja nuspojava lekova ili interakcija između lekova.
• Kreiranje hibridnih modela koji kombinuju prednosti različitih AI tehnika kako bi se postigla veća tačnost i prilagodljivost u različitim istraživačkim scenarijima.