Разработка новых препаратов — процесс долгий и дорогостоящий: от идеи до выхода на рынок обычно проходит 10–15 лет, а значительная часть кандидатов отбраковывается ещё на ранних стадиях. Сократить случаи подобной отбраковки может ускорение вычислительных этапов — поиска мишеней и комбинаций, которые могут вернуть клетки из «больного» состояния в здоровое.
С этой целью исследователи из Гарвардской медицинской школы предложили новый инструмент — модель PDGrapher. Это графовая нейросеть, которая решает задачу «обратного поиска»: вместо того чтобы предсказывать, как клетка отреагирует на конкретное лекарство, алгоритм сравнивает больную и здоровую клетку и ищет вмешательства, которые превратят первое состояние во второе.
В первых тестах PDGrapher работал точнее и быстрее конкурентов: на 19 наборах данных, охватывающих 11 видов рака, модель поднимала правильные терапевтические мишени выше в рейтингах и выполняла вычисления до 25 раз быстрее. Ученые специально убрали некоторые известные решения из обучающих данных — и алгоритм нашел их заново, показав, что не просто «запомнил» датасет, а способен давать новые решения на его основе.
Пока PDGrapher прошел только вычислительные тесты: статья в Nature Biomedical Engineering демонстрирует результаты на открытых наборах данных. Далее планируются доклинические и клинические эксперименты, которые покажут, будет ли модель полезна в назначении лечения конкретным пациентам. Уже сейчас PDGrapher может использоваться как исследовательский инструмент — чтобы быстрее отсеивать неработающие гипотезы и сокращать стоимость лабораторных экспериментов. Для этих целей код алгоритма уже опубликован в открытом доступе под MIT-лицензией на GitHub.
P.S. Поддержать меня можно подпиской на канал «сбежавшая нейросеть», где я рассказываю про ИИ с творческой стороны.
Источник: habr.com