美國紐約市立大學研究團隊創建了一個人工智能模型，可顯著提高新藥療效的準確性并減少藥物開發的時間和成本。最新一期《自然·；機器智能》雜志描述的這種名為CODE-AE的新模型可篩選新的藥物化合物，并準確預測對人體的療效。在測試中，理論上它為9000多名患者確定了可更好治療他們疾病的個性化藥物。研究人員預計該技術將顯著加速藥物發現及精準醫學發展。

　　準確并穩定地預測患者對新化合物的特異性反應，對于發現安全有效的治療方法和為特定患者選擇現有藥物至關重要。然而，直接在人體中對藥物進行早期療效測試是不道德和不可行的，因此細胞或組織模型通常被用作人體的替代物來評估藥物分子的治療效果。不幸的是，疾病模型中的藥物效應，通常與人類患者的藥物功效和毒性無關。這種差距正是新藥發現成本高、生產率低的主要因素。

　　此次的新機器學習模型可解決從疾病模型到人類的轉化挑戰。CODE-AE的設計受生物學啟發，并加入機器學習方面的最新進展，可解決用患者數據訓練通用機器學習模型的問題。盡管此前已開發出許多方法來利用細胞系篩選來預測臨床反應，但由于數據不一致和差異，它們的表現并不可靠，而CODE-AE可提取被噪聲和混雜因素掩蓋的內在生物信號，有效緩解數據差異。

　　與現有最先進的方法相比，CODE-AE顯著提高了純粹從細胞系化合物篩選預測患者特異性藥物反應的準確性和穩健性。

　　研究團隊將繼續推進該技術在藥物發現中的應用，讓CODE-AE更可靠地預測新藥在人體中的濃度和代謝影響。研究人員還指出，這一模型可能會被調整用于準確預測藥物對人類的副作用。

　　美國紐約市立大學研究團隊創建了一個人工智能模型，可顯著提高新藥療效的準確性并減少藥物開發的時間和成本。最新一期《自然·；機器智能》雜志描述的這種名為CODE-AE的新模型可篩選新的藥物化合物，并準確預測對人體的療效。在測試中，理論上它為9000多名患者確定了可更好治療他們疾病的個性化藥物。研究人員預計該技術將顯著加速藥物發現及精準醫學發展。

　　準確并穩定地預測患者對新化合物的特異性反應，對于發現安全有效的治療方法和為特定患者選擇現有藥物至關重要。然而，直接在人體中對藥物進行早期療效測試是不道德和不可行的，因此細胞或組織模型通常被用作人體的替代物來評估藥物分子的治療效果。不幸的是，疾病模型中的藥物效應，通常與人類患者的藥物功效和毒性無關。這種差距正是新藥發現成本高、生產率低的主要因素。

　　此次的新機器學習模型可解決從疾病模型到人類的轉化挑戰。CODE-AE的設計受生物學啟發，并加入機器學習方面的最新進展，可解決用患者數據訓練通用機器學習模型的問題。盡管此前已開發出許多方法來利用細胞系篩選來預測臨床反應，但由于數據不一致和差異，它們的表現并不可靠，而CODE-AE可提取被噪聲和混雜因素掩蓋的內在生物信號，有效緩解數據差異。

　　與現有最先進的方法相比，CODE-AE顯著提高了純粹從細胞系化合物篩選預測患者特異性藥物反應的準確性和穩健性。

　　研究團隊將繼續推進該技術在藥物發現中的應用，讓CODE-AE更可靠地預測新藥在人體中的濃度和代謝影響。研究人員還指出，這一模型可能會被調整用于準確預測藥物對人類的副作用。