您现在的位置是:首页 >国内科研 2019-10-08 13:56:28

大约38%的男性和女性将在其生命中的某个时刻被诊断出患有癌症

根据国家癌症研究所的数据,大约38%的男性和女性将在其生命中的某个时刻被诊断出患有癌症。当前的药物发现过程缓慢且连续,并且通常涉及候选药物的高失败率。是否可以使用人工智能(AI)将现有的药物发现过程转变为快速,集成且以患者为中心的模型?美国能源部(DOE)的阿贡国家实验室的科学家是这样认为的。

为了帮助改善患者的预后,Argonne最近宣布了其承诺,成为医学加速治疗联盟(ATOM)的最新成员,该联盟是国家实验室,学术机构与包括生命科学在内的私营企业之间的公私合作伙伴关系公司。

“这个想法是要大幅度地改变药物的发现,”-Rick Stevens

ATOM正在建立一个临床前药物发现平台,该平台使用人工智能以及选择性实验来设计和识别可以更有效,更安全地治疗癌症的候选药物。通过将高性能计算与先进的机器学习算法结合使用,研究人员有潜力快速创建可预测的数十亿种候选药物并对其做出预测,从而大大减少了在实验室中进行制备和测试的时间和费用。

这个想法是要在很大程度上改变药物的发现。当前的药品开发流程有多个阶段,可能需要十年或更长时间甚至数十亿美元才能将新药从概念推向市场。我们正在努力大幅度减少这一数字。

研究人员在评估候选药物是否成功时会考虑几个因素。他们需要预测药物在对抗癌细胞方面的功效,了解药物在人体中的行为,并检查药物以计算其潜在毒性。此外,科学家需要知道他们是否能够合成和生产这种药物。

为了果断地加快这一过程,Argonne的科学家正在设计机器学习算法,以考虑到所有这些考虑因素。为了实现可合成性,研究人员使用实验室中已经制成的数千种候选药物对算法进行了训练。将通过计算设计的每个新候选对象与现有潜在药物库进行比较,并为其分配可综合性评分。

这些分数给出了潜在的候选药物合成能力的总体思路,但它们也反映了一定程度的不确定性。将机器学习与实验室实验相结合的一大优势在于,科学家能够利用实验结果进一步教育和训练计算机模型。

阿尔贡的科学家将在我们为分子设计以及功效和安全性预测建立和优化机器学习模型的努力中发挥至关重要的作用。

为了预测和优化候选药物的功效,来自阿贡的科学家将使用基因表达数据训练不同的机器学习算法,并在分子水平上模拟药物与癌细胞的相互作用。“由于您知道药物的分子结构,并且可以看到细胞中哪些基因被打开和关闭,因此您可以对相互作用进行建模,并预测癌症对该药物的可能反应或无反应,” Argonne Computational说道。科学家Thomas Brettin。

当研究人员研究候选药物与癌细胞之间的相互作用时,他们还必须关注候选药物与健康组织之间的相互作用。对于这些算法,研究人员将有关患者整体的某些因素(例如年龄,病史或显着的基因突变)输入该算法中,以预测潜在的副作用。

Brettin说:“我们希望最大程度地减少那些具有导致编码酶工作效率降低的遗传突变的人在体内不希望的药物堆积的情况。”

需要确定人体如何代谢一种潜在的药物以及是否可以将其稳定地传递到肿瘤细胞这一需要使理解毒性变得更加困难,这被称为药代动力学。

为了以这种方式成功评估新药的潜力,需要阿贡(Argonne)的双重贡献-高性能计算的原始能力以及旨在在数据海量中寻找针头的复杂机器学习算法。

Brettin说:“在整个制药行业,人们开始意识到AI具有使事情加速的能力。” “不同的组织可以将不同的东西摆在一起-在我们的例子中,这是先进的计算和机器学习专业知识。”

“与Argonne国家实验室合作的前景令我们感到兴奋。他们在机器学习方面的专业知识以及高性能的计算基础设施将成为实现我们研发目标的宝贵资产,” ATOM董事会成员兼业务副总理巴里·塞里克(Barry Selick)说道。 UCSF的开发,创新和合作伙伴关系。

“虽然ATOM的成员现在包括世界一流的研究机构和生命科学公司,但我们正在努力争取其他私有和公共组织的加入,” ATOM董事会成员,弗雷德里克国家癌症实验室生物医学信息学和数据科学总监Eric Stahlberg说研究。

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。

相关文章

bmw967.com sb285.com 365sb.com sun977.com 70sb.com
937sun.com 219sun.com tyc689.com 131msc.com sun393.com
tyc998.com 872sun.com kcd20.com 793sun.com sblive0.com
e乐博娱乐场登入 am58.com 菲律宾太阳城申博66登入 msc212.com 252msc.com