יש יותר מ-7,000 מחלות נדירות ולא מאובחנות ברחבי העולם.
למרות שכל מצב מתרחש במספר קטן של פרטים, יחד מחלות אלו משפיעות על מחיר אנושי וכלכלי מדהים מכיוון שהן משפיעות על כ-300 מיליון אנשים ברחבי העולם.
עם זאת, עם רק 5 עד 7 אחוזים מהמצבים הללו יש תרופה מאושרת ה-FDA, הם נותרים ברובם לא מטופלים או לא מטופלים.
פיתוח תרופות חדשות מהווה אתגר מרתיע, אך כלי חדש של בינה מלאכותית יכול להניע גילוי של טיפולים חדשים מתרופות קיימות, להציע תקווה לחולים עם מצבים נדירים ומוזנחים ולרופאים המטפלים בהם.
מודל ה-AI, הנקרא TxGNN, הוא הראשון שפותח במיוחד כדי לזהות מועמדים לתרופות למחלות ומצבים נדירים ללא טיפולים.
הוא זיהה מועמדים לתרופות מתרופות קיימות ליותר מ-17,000 מחלות, רבות מהן ללא טיפולים קיימים. זה מייצג את המספר הגדול ביותר של מחלות שכל מודל בינה מלאכותית בודד יכול להתמודד עד כה. החוקרים מציינים שניתן ליישם את המודל על עוד יותר מחלות מעבר ל-17,000 שעליהן עבד בניסויים הראשוניים.
העבודה, שתוארה ב-25 בספטמבר ב רפואת טבעהובל על ידי מדענים בבית הספר לרפואה בהרווארד. החוקרים הפכו את הכלי לזמין בחינם ורוצים לעודד קלינאים-מדענים להשתמש בו בחיפוש אחר טיפולים חדשים, במיוחד במצבים ללא או עם אפשרויות טיפול מוגבלות.
בעזרת הכלי הזה אנו שואפים לזהות טיפולים חדשים בכל קשת המחלה, אך כאשר מדובר במצבים נדירים, נדירים ומוזנחים, אנו צופים שהמודל הזה יכול לעזור לסגור, או לפחות לצמצם, פער שיוצר פערים בריאותיים חמורים".
מרינקה זיטניק, חוקרת ראשית, עוזרת פרופסור לאינפורמטיקה ביו-רפואית במכון בלווטניק ב-HMS
"זה בדיוק המקום שבו אנו רואים את ההבטחה של AI בהפחתת עומס המחלות העולמי, במציאת שימושים חדשים לתרופות קיימות, שהיא גם דרך מהירה וחסכונית יותר לפיתוח טיפולים מאשר עיצוב תרופות חדשות מאפס", הוסיף זיטניק. , שהוא חבר סגל שותף במכון קמפנר לחקר בינה טבעית ומלאכותית באוניברסיטת הרווארד.
לכלי החדש שני מאפיינים מרכזיים -; אחד שמזהה מועמדים לטיפול יחד עם תופעות לוואי אפשריות ועוד אחד שמסביר את הרציונל להחלטה.
בסך הכל, הכלי זיהה מועמדים לתרופה מכמעט 8,000 תרופות (הן תרופות מאושרות ה-FDA והן ניסויות שנמצאות כעת בניסויים קליניים) עבור 17,080 מחלות, כולל מצבים ללא טיפולים זמינים. זה גם חזה לאילו תרופות יהיו תופעות לוואי והתוויות נגד למצבים ספציפיים -; משהו שגישת גילוי התרופות הנוכחית מזהה בעיקר על ידי ניסוי וטעייה במהלך ניסויים קליניים מוקדמים המתמקדים בבטיחות.
בהשוואה למודלים המובילים בינה מלאכותית לשימוש מחדש בתרופות, הכלי החדש היה טוב יותר בכמעט 50 אחוז, בממוצע, בזיהוי מועמדים לתרופות. זה גם היה מדויק יותר ב-35 אחוז בניבוי לאילו תרופות יהיו התוויות נגד.
יתרונות השימוש בתרופות שכבר מאושרות
שימוש מחדש בתרופות קיימות היא דרך מפתה לפיתוח טיפולים חדשים מכיוון שהיא מסתמכת על תרופות שנחקרו, בעלות פרופילי בטיחות מובנים היטב, ועברו את תהליך האישור הרגולטורי.
לרוב התרופות יש השפעות מרובות מעבר למטרות הספציפיות שהן פותחו ואושרו עבורן במקור. אבל רבות מההשפעות הללו נותרו בלתי נתגלו ולא נחקרות במהלך בדיקות ראשוניות, ניסויים קליניים וסקירה, והופיעו רק לאחר שנים של שימוש על ידי מיליוני אנשים. ואכן, כמעט 30 אחוז מהתרופות שאושרו על ידי ה-FDA רכשו לפחות התוויה נוספת אחת לטיפול לאחר אישור ראשוני, ורבות רכשו עשרות התוויות טיפול נוספות במהלך השנים.
גישה זו לחידוש שימוש בסמים היא אקראית במקרה הטוב. זה מסתמך על דיווחי מטופלים על תופעות לוואי מועילות בלתי צפויות או על אינטואיציה של רופאים לגבי השימוש בתרופה במצב שהיא לא נועדה עבורו, נוהג המכונה שימוש מחוץ לתווית.
"נטינו להסתמך על מזל ושלווה ולא על אסטרטגיה, המגבילה את גילוי התרופות למחלות שתרופות להן כבר קיימות", אמר זיטניק.
היתרונות של שימוש מחדש בתרופה חורגים מעבר למחלות ללא טיפולים, ציין זיטניק.
"אפילו עבור מחלות נפוצות יותר עם טיפולים מאושרים, תרופות חדשות יכולות להציע חלופות עם פחות תופעות לוואי או להחליף תרופות שאינן יעילות עבור חולים מסוימים", אמרה.
מה הופך את כלי ה-AI החדש לטוב יותר מדגמים קיימים
רוב המודלים הנוכחיים של AI המשמשים לגילוי תרופות מאומנים על מחלה אחת או קומץ מצבים. במקום להתמקד במחלות ספציפיות, הכלי החדש הוכשר באופן המאפשר לו להשתמש בנתונים קיימים כדי ליצור תחזיות חדשות. זה עושה זאת על ידי זיהוי תכונות משותפות על פני מחלות מרובות, כגון סטיות גנומיות משותפות.
לדוגמה, מודל הבינה המלאכותית מצביע על מנגנוני מחלה משותפים המבוססים על יסודות גנומיים נפוצים, המאפשרים לו לבצע אקסטרפולציה ממחלה מובנת היטב עם טיפולים ידועים למחלה שלא מובנת ללא טיפולים.
היכולת הזו, אמר צוות המחקר, מקרבת את כלי הבינה המלאכותית לסוג ההיגיון שרופא אנושי עשוי להשתמש בו כדי ליצור רעיונות חדשים אילו הייתה לו גישה לכל הידע הקיים ונתונים גולמיים שמודל הבינה המלאכותית עושה אלא שהמוח האנושי לא יכול לגשת או לאחסן.
הכלי הוכשר על כמויות עצומות של נתונים, כולל מידע DNA, איתות תאים, רמות פעילות גנים, הערות קליניות ועוד. החוקרים בדקו ושיכללו את המודל בכך שביקשו ממנו לבצע משימות שונות. לבסוף, ביצועי הכלי אומתו על 1.2 מיליון רישומי חולים והתבקשו לזהות מועמדים לתרופות למחלות שונות.
החוקרים גם ביקשו מהכלי לחזות אילו מאפייני חולים יהפכו את המועמדים לתרופה שזוהו להתווית נגד עבור אוכלוסיות חולים מסוימות.
משימה נוספת כללה בקשה מהכלי לזהות מולקולות קטנות קיימות שעשויות לחסום ביעילות את הפעילות של חלבונים מסוימים המעורבים במסלולים ובתהליכים שגורמי מחלות.
בבדיקה שנועדה לאמוד את יכולתו של המודל להגיב כפי שרופא אנושי עשוי, החוקרים הניעו את המודל למצוא תרופות לשלושה מצבים נדירים שלא ראה כחלק מהכשרתו -; הפרעה נוירו-התפתחותית, מחלת רקמת חיבור ומצב גנטי נדיר הגורם לחוסר איזון במים.
לאחר מכן השוו החוקרים את המלצות המודל לטיפול תרופתי מול ידע רפואי עדכני לגבי אופן הפעולה של התרופות המוצעות. בכל דוגמה, המלצות הכלי תאמו את הידע הרפואי העדכני.
יתרה מכך, המודל לא רק זיהה תרופות לכל שלוש המחלות אלא גם סיפק את הרציונל מאחורי החלטתו. תכונת הסבר זו מאפשרת שקיפות ויכולה להגביר את אמון הרופא.
החוקרים מזהירים כי כל טיפול שיזוהה על ידי המודל ידרוש הערכה נוספת עבור מינון ותזמון הלידה. אבל, הם מוסיפים, עם היכולת חסרת התקדים הזו, מודל הבינה המלאכותית החדש יזרז שימוש מחדש בתרופות באופן שלא היה אפשרי עד כה. הצוות כבר משתף פעולה עם כמה קרנות מחלות נדירות כדי לסייע בזיהוי טיפולים אפשריים.
