Neue Qualitätsproduktivität | Kann künstliche Intelligenz Medikamente gegen Tumore testen? Das Team des Liangzhu-Labors arbeitet gemeinsam an der Entwicklung eines neuen Deep-Learning-Frameworks

In der Antike probierte Shennong Hunderte von Kräutern, um ihre medizinischen Eigenschaften zu verstehen. Künstliche Intelligenz kann heute auch Medikamente in der digitalen Welt „ausprobieren“ und ihre Wirkung auf verschiedene Arten von Tumorzellen vorhersagen.

Kürzlich hat ein Team, zu dem Guo Guoji, Han Xiaoping und Xia Hongguang vom Liangzhu Laboratory/Zhejiang University School of Basic Medicine gehören, gemeinsam ein innovatives Deep-Learning-Framework namens „Shennong“ auf den Markt gebracht, das eine neue Möglichkeit zum Screening von Antitumormedikamenten bietet. Die entsprechende Forschungsarbeit wurde im National Science Review veröffentlicht.

| Arbeitsablauf und Zelldatensatzstatistik des Pan-Tumor-Einzelzellatlas (alle Bilder in diesem Artikel stammen vom Liangzhu-Labor)

Derzeit beruht das Screening von Antitumor-Medikamenten hauptsächlich auf der Analyse von Transkriptomsequenzierungsdaten, um die genetischen Informationen einer großen Gruppe von Tumorzellen zu verstehen und die Wirkung des Medikaments zu beurteilen. Dieser Ansatz ignoriert jedoch häufig die Komplexität des Tumors, da jede Zelle anders sein kann und Tumorzellen und ihre Umgebung sich gegenseitig beeinflussen können. Darüber hinaus konzentrieren sich viele Studien auf eine einzige Krebsart und nutzen mögliche Gemeinsamkeiten zwischen verschiedenen Krebsarten nicht aus.

Daher besteht ein dringender Bedarf an der Entwicklung von Arzneimittelscreeningmethoden auf Grundlage von Einzelzell-Pantumorkarten, die einer detaillierten „Zellkarte“ ähneln und die Eigenschaften jeder Zelle in verschiedenen Tumorarten aufzeichnen. Durch die Analyse dieser Zelldaten können Forscher Antitumormedikamente auf mikroskopischer Ebene effektiver prüfen und die Wirkungsmechanismen und potenziellen Nebenwirkungen der Medikamente besser verstehen.

Herkömmliche Methoden zum Screening oder zur Entdeckung von Arzneimitteln sind oft zeitaufwändig und kostspielig. Künstliche Intelligenz und Methoden des maschinellen Lernens beschleunigen den Prozess der Arzneimittelentdeckung und -entwicklung. Die Forscher stellten das Shennong-Framework vor, das ein innovatives Beispiel für diese Art von Ansatz ist.

| Konstruktionsprozess und Anwendungsrichtung des Shennong-Frameworks

Das Shennong-Framework kann die Reaktionen von Zehntausenden von Zellen nach der Einwirkung von Medikamenten gleichzeitig beobachten. Anders als bei einer einfachen „gültig/ungültig“-Beurteilung werden die Änderungen in jeder Zelle aus mehreren Dimensionen verstanden und beschrieben. Das Analysesystem verwendet ein Deep-Learning-Modell, ähnlich einem „Drogendetektiv“, der schnell große Mengen an Informationen verarbeiten kann.

Es kann nicht nur die wichtigsten Merkmale zellulärer Reaktionen extrahieren, sondern diese Änderungen auch auf probabilistische Weise beschreiben: Anstatt einfach zu sagen „dieses Medikament ist bei diesem Zelltyp wirksam“, kann es detailliert beschreiben, „wie wahrscheinlich es ist, dass dieses Medikament wirkt und auf welche Weise es die Zelle beeinflusst“. Dieser sorgfältige analytische Ansatz ermöglicht es den Forschern, den Wirkungsmechanismus eines Arzneimittels besser zu verstehen und sogar neue Einsatzmöglichkeiten für das Arzneimittel zu entdecken.

Wenn das Shennong-Framework auf den Pan-Tumorzellatlas angewendet wird, kann es nicht nur die Wirkungen und Nebenwirkungen von Medikamenten vorhersagen und bei der Medikamentenprüfung helfen, sondern auch einige zugelassene Medikamente entdecken, die für andere Krebsarten nützlich sein könnten.

So wurde beispielsweise festgestellt, dass das Brustkrebsmedikament „Exemestan“ eine signifikante antiproliferative Wirkung auf Lungenkrebszellen hat, und dieser Befund wurde in einer klinischen Studie der Phase I bestätigt.

| Vergleich von Datensätzen Dritter

Um die Genauigkeit des Shennong-Frameworks zu überprüfen, verglichen die Forscher seine Vorhersageergebnisse auch mit denen anderer Datensätze von Drittanbietern. Die Ergebnisse zeigten, dass das Framework in der Lage war, einzigartige und gemeinsame Merkmale von Zellen aus Daten aus verschiedenen Quellen zu extrahieren, und die Vorhersageergebnisse wiesen eine Überlappung von 30 % bis 45 % auf, was zeigt, dass das Shennong-Framework über eine gute Robustheit und Generalisierungsfähigkeit verfügt.

„Das Shennong-Framework weist eine gute Robustheit und Interpretierbarkeit auf und dürfte die Effizienz und Genauigkeit des Arzneimittelscreenings deutlich verbessern und den Prozess der Entwicklung neuer Medikamente beschleunigen“, sagte eine zuständige Person des Liangzhu-Laborteams.

(Quelle: Chao News, Liangzhu Laboratory)