Predstavljajte si ogromno knjižnico z milijoni knjig, v kateri želite najti najprimernejšo za bralca s posebnimi interesi. Preučiti vse knjige bi vzelo izjemno veliko časa. Zelo koristno bi bilo, če bi imeli v knjižnici še pametnega knjižničarja, ki ne bi le predlagal ustrezne knjige, temveč tudi korak za korakom pojasnil, kako je prišel do svojega predloga. Tako bi lažje razumeli njegovo razmišljanje in mu bolj zaupali pri izbiri knjige.
Raziskovalna skupina Marinke Žitnik s Harvarda je v reviji Nature Medicine pred nekaj dnevi predstavila model TxGNN, ki v medicini deluje podobno kot omenjeni pametni knjižničar. Njegova naloga je poiskati obstoječa zdravila, ki bi lahko pomagala pri zdravljenju bolezni brez znanih terapij. Gre za napreden model umetne inteligence, ki analizira medicinske podatke ter s povezovanjem bolezni, genov in terapij omogoča odkrivanje novih zdravljenj in varnejših terapevtskih rešitev.
Ustvarjanje knjižničarja za medicinske podatke
Raziskovalci so zbrali vse možne “knjige” o boleznih, zdravilih, genih in beljakovinah ter njihovih medsebojnih povezavah. Model TxGNN so usposobili na obsežni bazi podatkov z informacijami o 17.000 klinično priznanih boleznih ter drugih biomedicinskih podatkih, kar “pametnemu knjižničarju” omogoča dostop do ogromnega medicinskega znanja. S to največjo možno “knjižnico” so znanstveniki modelu omogočili iskanje in prepoznavanje povezav, ki bi jih posamezni raziskovalci težko odkrili sami.
Nato so “pametnega knjižničarja” naučili brati in razumeti vse te knjige. Dali so mu posebne “supermoči”, da je lahko prebral na milijone strani medicinskih podatkov in pri tem prepoznaval vzorce in povezave. Naučil se je videti, kako so nekatere bolezni povezane s specifičnimi geni ali kako določena zdravila vplivajo na različne dele telesa.
“Zero-shot” sklepanje
Ena izmed ključnih lastnosti TxGNN je njegova sposobnost “zero-shot” sklepanja, kar pomeni, da lahko predlaga terapije tudi za bolezni, s katerimi se med usposabljanjem ni srečal. Tako kot izjemno izkušen knjižničar, ki lahko na podlagi svojega širokega znanja priporoči knjigo, ki je še ni prebral, lahko TxGNN pomaga pri zdravljenju novih ali redkih bolezni. Uporablja svoje obstoječe znanje za reševanje neznanih izzivov, kar je izjemno dragoceno za napredek v medicini.
Poleg iskanja potencialnih zdravil TxGNN tudi napoveduje možne kontraindikacije in stranske učinke. To je ključnega pomena za varnost pacientov, saj pomaga preprečiti uporabo zdravil, ki bi lahko povzročila škodljive interakcije ali poslabšala zdravstveno stanje. S tem model prispeva k varnejšim in učinkovitejšim terapevtskim pristopom.
Vizualizacija poti med boleznijo in zdravilom
Da bi zdravnikom in raziskovalcem olajšali razumevanje, kako TxGNN pride do svojih predlogov, so znanstveniki dodali “razlagalni” del, imenovan TxGNN Explainer. Ta izriše pot med boleznijo in potencialnim zdravilom, tako da pokaže povezanosti prek več korakov. Te poti vključujejo različne biomedicinske koncepte, kot so geni, proteini in simptomi.
Kot v primeru, ko vam navigacijska naprava ne le pove, katero pot izberite, ampak vam tudi pokaže zemljevid in poudari znamenitosti na poti, TxGNN Explainer omogoča zdravnikom, da vidijo “zemljevid” razmišljanja modela. To poveča zaupanje v predloge, ker lahko vidijo logiko in preverijo, ali se ta sklada z njihovim znanjem.
V raziskavi so zdravniki, raziskovalci in farmacevti uporabljali TxGNN Explainer pri ocenjevanju ustreznosti predlaganih zdravil. Ugotovili so, da so z razlagami modela bolj samozavestno sprejemali odločitve, bili so bolj natančni in so lažje razumeli, zakaj je bilo določeno zdravilo predlagano. Poleg tega so primeri uporabe pokazali, da lahko TxGNN najde nenavadne povezave med zdravili in boleznimi, ki jih običajni pristopi morda spregledajo.
Prihodnost medicine s pomočjo umetne inteligence
V primerjavi z drugimi modeli umetne inteligence je TxGNN pokazal izjemno učinkovitost. V raziskavah je bil znatno boljši pri prepoznavanju potencialnih zdravil in natančnejši pri napovedovanju možnih kontraindikacij. To pomeni, da je naš “pametni knjižničar” ne le hiter, ampak tudi zelo zanesljiv pri svojih priporočilih, kar povečuje verjetnost uspešnega zdravljenja.
Posebej pomembno je, da TxGNN prispeva k iskanju zdravljenj za redke, ultra redke in zanemarjene bolezni, ki pogosto nimajo dovolj raziskovalne pozornosti zaradi pomanjkanja podatkov ali finančnih sredstev. S tem pomaga zmanjševati zdravstvene neenakosti po svetu in prinaša upanje bolnikom, ki so doslej ostali brez učinkovitih terapij.
Model TxGNN je prosto dostopen raziskovalni skupnosti po vsem svetu. Raziskovalci spodbujajo zdravnike in znanstvenike, da ga uporabijo pri iskanju novih terapij. To odpira vrata za sodelovanje in hitrejši napredek v medicinskih raziskavah, saj lahko več ljudi prispeva k izboljšanju in uporabi modela.
Napovedi modela TxGNN so bile preverjene tudi z realnimi kliničnimi podatki. Zdravniki in raziskovalci so ugotovili, da so njegove napovedi smiselne, natančne in uporabne v praksi. S tem se potrjuje zanesljivost in uporabnost modela v resničnih medicinskih scenarijih, kar povečuje njegovo vrednost kot orodja v kliničnem okolju. V primerjavi z drugimi modeli umetne inteligence je TxGNN pokazal 50 % boljšo učinkovitost pri prepoznavanju potencialnih zdravil in 35 % večjo natančnost pri napovedovanju možnih kontraindikacij.
TxGNN temelji na naprednih metodah geometrijskega globokega učenja in grafnih nevronskih mrežah. Te tehnologije mu omogočajo obdelavo kompleksnih biomedicinskih podatkov ter odkrivanje skritih povezav med boleznimi, geni in zdravili, ki jih tradicionalni pristopi morda ne zaznajo.
Skratka, TxGNN in njegov razlagalni del omogočata hitrejše in bolj informirano iskanje potencialnih zdravljenj za težke bolezni, hkrati pa zagotavljata transparentnost, ki je ključna za zaupanje in širšo uporabo v medicinski skupnosti.
A Foundation Model for Clinician Centered Drug Repurposing, Kexin Huang, Payal Chandak, Qianwen Wang, Shreyas Havaldar, Akhil Vaid, Jure Leskovec, Girish Nadkarni, Benjamin S. Glicksberg, Nils Gehlenborg and Marinka Zitnik, Nature Medicine 2024.
[Harvard Gazette] [Harvard Medicine News] [Forbes]
https://zitniklab.hms.harvard.edu/projects/TxGNN
