Nuova produttività di qualità | L'intelligenza artificiale può esaminare i farmaci antitumorali? Il team del Liangzhu Lab collabora per sviluppare un nuovo framework di apprendimento profondo

Nei tempi antichi, Shennong assaggiava centinaia di erbe per comprenderne le proprietà medicinali. Oggi l'intelligenza artificiale può anche "provare" farmaci nel mondo digitale e prevederne gli effetti su diversi tipi di cellule tumorali.

Di recente, un team composto da Guo Guoji, Han Xiaoping e Xia Hongguang del Liangzhu Laboratory/Zhejiang University School of Basic Medicine ha lanciato congiuntamente un innovativo framework di apprendimento profondo denominato "Shennong", che fornisce un nuovo modo per lo screening dei farmaci antitumorali. La ricerca correlata è stata pubblicata sulla National Science Review.

| Statistiche del flusso di lavoro e del set di dati cellulari dell'atlante monocellulare pan-tumorale (tutte le immagini in questo articolo provengono dal Laboratorio Liangzhu)

Attualmente, lo screening dei farmaci antitumorali si basa principalmente sull'analisi dei dati di sequenziamento del trascrittoma per comprendere le informazioni genetiche di un ampio gruppo di cellule tumorali e valutare l'effetto del farmaco. Ma questo approccio spesso ignora la complessità del tumore, in cui ogni cellula può essere diversa e le cellule tumorali e l'ambiente circostante possono influenzarsi a vicenda. Inoltre, molti studi si concentrano su un singolo tipo di cancro e non riescono a sfruttare le possibili somiglianze tra i diversi tipi di cancro.

Pertanto, è urgente sviluppare metodi di screening dei farmaci basati su mappe pantumorali a singola cellula, che sono come una "mappa cellulare" dettagliata che registra le caratteristiche di ciascuna cellula nei vari tipi di tumori. Analizzando questi dati cellulari, i ricercatori possono esaminare in modo più efficace i farmaci antitumorali a livello microscopico e comprendere meglio i meccanismi d'azione dei farmaci e i potenziali effetti collaterali.

I metodi tradizionali di screening o di scoperta di nuovi farmaci sono spesso costosi e richiedono molto tempo. L'intelligenza artificiale e i metodi di apprendimento automatico accelerano il processo di scoperta e sviluppo dei farmaci. I ricercatori hanno introdotto il modello Shennong, che rappresenta un esempio innovativo di questo tipo di approccio.

| Processo di costruzione e direzione dell'applicazione del framework Shennong

Il sistema Shennong è in grado di osservare simultaneamente le risposte di decine di migliaia di cellule dopo l'esposizione ai farmaci. A differenza di un semplice giudizio "valido/non valido", comprende e descrive i cambiamenti in ogni cellula da più dimensioni. Il sistema di analisi utilizza un modello di apprendimento profondo, simile a un "detective antidroga" in grado di elaborare rapidamente enormi quantità di informazioni.

Non solo può estrarre le caratteristiche più critiche delle risposte cellulari, ma anche descrivere questi cambiamenti in modo probabilistico: invece di dire semplicemente "questo farmaco è efficace per questo tipo di cellula", può descrivere in dettaglio "quanto è probabile che questo farmaco agisca e in che modo influisce sulla cellula". Questo meticoloso approccio analitico consente ai ricercatori di acquisire una comprensione più completa del meccanismo d'azione di un farmaco e persino di scoprire nuovi utilizzi per lo stesso.

Applicando il modello di Shennong all'atlante delle cellule pantumorali, è possibile non solo prevedere gli effetti e gli effetti collaterali dei farmaci e aiutare a selezionarli, ma anche scoprire alcuni farmaci approvati che potrebbero essere utili per altri tipi di cancro.

Ad esempio, è stato scoperto che il farmaco "exemestane" per il trattamento del cancro al seno ha un significativo effetto antiproliferativo sulle cellule del cancro ai polmoni, e questa scoperta è stata confermata in uno studio clinico di fase I.

| Confronto di set di dati di terze parti

Per verificare l'accuratezza del framework Shennong, i ricercatori hanno anche confrontato i risultati delle sue previsioni con quelli di altri set di dati di terze parti. I risultati hanno mostrato che il framework è stato in grado di estrarre caratteristiche uniche e comuni delle cellule da dati provenienti da diverse fonti e i risultati delle previsioni presentavano una sovrapposizione del 30%-45%, il che dimostra che il framework Shennong ha una buona robustezza e capacità di generalizzazione.

"Il framework Shennong dimostra una buona robustezza e interpretabilità e si prevede che migliorerà significativamente l'efficienza e l'accuratezza dello screening dei farmaci e accelererà il processo di sviluppo di nuovi farmaci", ha affermato una persona competente a capo del team del laboratorio Liangzhu.

(Fonte: Chao News, Laboratorio Liangzhu)