ИИ научился сравнивать здоровые и больные клетки — и подсказывать лечение

Разработка лекарств традиционно занимает 10-15 лет и требует миллиардных вложений. При этом значительная часть кандидатов отсеивается ещё на ранних этапах из-за низкой эффективности или небезопасности. Одним из способов ускорить этот процесс является применение вычислительных методов, которые позволяют быстрее находить потенциальные терапевтические мишени и комбинации веществ.

Новый подход Гарвардской медицинской школы

Исследователи из Гарварда предложили модель PDGrapher - графовую нейросеть, которая решает задачу в обратном направлении. Если классические алгоритмы предсказывают реакцию клетки на конкретное вещество, то PDGrapher сравнивает "больное" и "здоровое" состояния клетки и ищет вмешательства, способные вернуть её к норме.

Результаты тестов

В вычислительных экспериментах модель показала впечатляющие результаты:
• протестирована на 19 наборах данных по 11 видам рака;
• точнее поднимала правильные терапевтические мишени в рейтингах;
• выполняла расчёты до 25 раз быстрее конкурентов.

Учёные специально исключили из обучающей выборки некоторые известные решения. PDGrapher сумел "открыть" их заново, что подтверждает: модель не просто запоминает датасет, а действительно способна генерировать новые гипотезы.

Потенциальное применение

Сейчас PDGrapher прошёл только вычислительные тесты, результаты которых опубликованы в журнале Nature Biomedical Engineering. Впереди доклинические и клинические испытания, которые покажут, сможет ли алгоритм помочь в назначении терапии конкретным пациентам.

Уже сегодня инструмент можно использовать для:
• быстрого отсевa неработающих гипотез;
• сокращения затрат на лабораторные эксперименты;
• ускорения исследовательских проектов в области онкологии и молекулярной медицины.

Открытый код и перспективы

Разработчики выложили код PDGrapher в открытый доступ на GitHub под MIT-лицензией, что позволит научному сообществу дорабатывать и адаптировать инструмент. Если будущие испытания подтвердят эффективность, модель может стать частью персонализированной медицины, помогая врачам находить оптимальные комбинации препаратов для каждого пациента.