多式人工智能从临床前数据预测药物组合的临床结果

科学领域:

• 计算生物学是一种计算生物学.
• 人工智能在药物发现中的作用
• 药物基因组学 药物基因组学

背景情况:

• 准确预测药物组合效应对于开发安全有效的疗法至关重要.
• 现有的模型往往缺乏多模式数据集成,限制了临床结果的预测准确性.
• 多模式数据,包括结构,途径,细胞活力和转录信息,对于稳健的预测至关重要.

研究的目的:

• 介绍MADRIGAL,一种用于预测药物组合效应的新型多式联络人工智能模型.
• 利用多种临床前数据模式,更好地预测临床结果和不良药物相互作用.
• 为了证明MADRIGAL在虚拟查,多药房管理和个性化治疗开发中的实用性.

主要方法:

• 开发了MADRIGAL,一种多式人工智能模型,集成结构,通路,细胞活力和转录基因数据.
• 使用变压器瓶模块来统一多式联运数据和处理缺失数据.
• 评估了MADRIGAL与单一模式方法和最先进的模型在预测药物相互作用和临床结果方面的性能.
• 应用MADRIGAL用于针对II型糖尿病和MASH的抗癌药物组合的虚拟查和多药管理.

主要成果:

• 在预测不良药物相互作用方面,MADRIGAL优于单一模式和最先进的模型.
• 该模型成功执行了抗癌药物组合的虚拟查,并支持对代谢性疾病的多药房管理.
• 马德里加尔确定了resmetirom作为MASH的有利安全性治疗,并预测了急性髓性白血病的个性化药物组合.
• 与大型语言模型的整合通过识别潜在的不良相互作用和毒性风险,改善了安全评估.

结论:

• 马德里加尔提供了一种强大的多模式方法,用于设计具有更好的预测准确性和临床相关性的组合疗法.
• 该模型显示了在推进个性化医疗,药物安全性评估和各种疾病治疗开发方面具有重大潜力.
• 麦德里格尔集成多种数据类型和处理缺失数据的能力解决了药物发现多式联络学习的关键挑战.