Studie publikovaná v časopisu Nature Medicine a vedená týmem z Harvardovy univerzity představila model TxGNN – první systém AI navržený specificky pro vyhledávání tzv. kandidátních léků, tedy přípravků, které se na základě dostupných dat jeví jako vhodné pro určitou indikaci, ale jejich účinnost a bezpečnost musí být ještě ověřena.
V počáteční fázi dokázal TxGNN identifikovat potenciální terapii pro více než 17 tisíc onemocnění na základě databáze téměř 8 tisíc léků (schválených i experimentálních), a to včetně stavů, u nichž dosud žádná léčba neexistuje. To představuje největší počet nemocí, s nimiž si dosud dokázal poradit jediný model AI.
Výzkumníci navíc upozorňují, že TxGNN by mohl být aplikovatelný na ještě širší spektrum diagnóz nad rámec těchto prvních experimentů, což by mohlo ulevit zdravotnickým systémům. Jednotlivá vzácná onemocnění sice postihují jen malé počty pacientů, celosvětově však jimi trpí přibližně 300 milionů lidí. V současnosti má schválenou léčbu pouhých 5–7 % z více než 7 tisíc známých vzácných nemocí, většina tak zůstává bez účinné terapie. Vývoj nových léků je přitom časově i finančně náročný.
Na rozdíl od dosavadních přístupů, které se obvykle zaměřují na jednotlivá onemocnění, TxGNN využívá sdílené biologické mechanismy napříč chorobami. Díky tomu je schopen předpovědět, zda by již známý lék mohl být účinný i u jiné diagnózy, pro niž zatím neexistuje léčba.
Základem TxGNN je grafová neuronová síť, která propojuje různé typy dat: genomické informace, buněčné signální dráhy, úroveň genové exprese i klinické záznamy. Výsledkem je komplexní „mapa“ vztahů mezi geny, proteiny, metabolickými cestami a nemocemi.
Pokud má určité onemocnění známou léčbu a jiné vykazuje podobné molekulární rysy, model dokáže účinnost terapie extrapolovat i na druhý stav. TxGNN tak napodobuje způsob klinického uvažování, avšak s využitím obrovského množství dat, které je pro člověka neuchopitelné. Kromě toho, že identifikuje kandidátní léky, zároveň předpovídá možné nežádoucí účinky či kontraindikace a poskytuje vysvětlení pro každé své doporučení.
Při srovnání s dosavadními modely AI pro repurposing byl TxGNN v průměru o 50 % účinnější při identifikaci kandidátních léčiv a o 35 % přesnější při predikci rizik. Funkčnost byla ověřena na více než 1,2 milionu záznamů pacientů a v testech na onemocněních, která model neznal ze svého tréninku. Predikce přitom odpovídaly současným medicínským poznatkům.
Opětovné využití existujících léků má zásadní výhody, protože tyto přípravky již mají známý bezpečnostní profil a prošly regulačním schvalováním. Mnoho z nich má navíc více účinků nad rámec původní indikace, které se často odhalí až po letech klinického používání.
Podle odhadů téměř 30 % léků schválených americkým Úřadem pro kontrolu léčiv a potravin (FDA) získalo alespoň 1 další léčebnou indikaci po svém uvedení na trh, některé dokonce desítky dalších. Dosavadní proces objevování těchto možností byl však spíše nahodilý a často závisel na intuici lékařů nebo neočekávaných, ale žádoucích vedlejších účincích hlášených pacienty.
AI do tohoto procesu vnáší systematičnost, rychlost a možnost škálování. Jak zdůrazňuje spoluautorka studie Marinka Zitnik, právě u vzácných a zanedbávaných onemocnění by TxGNN mohl pomoci zmenšit nerovnosti v dostupnosti zdravotní péče a nabídnout pacientům nové možnosti tam, kde dosud žádné nebyly. Podle jejího názoru však může tento přístup znamenat přínos i u běžnějších onemocnění a nové léky mohou nabídnout alternativy s menším počtem nežádoucích účinků nebo nahradit terapie, které jsou u některých pacientů nedostatečně účinné.
Autoři upozorňují, že kandidátní terapie identifikované modelem budou vyžadovat další preklinické i klinické ověření, včetně stanovení dávkování a režimu podávání. Přesto představuje TxGNN průlom v možnostech rychlé personalizované medicíny a otevírá nové cesty pro spolupráci mezi výzkumníky, kliniky a pacientskými organizacemi.
Pokud se tento přístup osvědčí, mohl by zásadně urychlit dostupnost účinné léčby nejen pro vzácná onemocnění, ale i pro běžnější diagnózy, kde současné léky selhávají nebo způsobují závažné nežádoucí vedlejší účinky.
(mb)
Zdroje:
1. Huang K., Chandak P., Wang Q. et al. A foundation model for clinician-centered drug repurposing. Nat Med 2024; 30 (12): 3601–3613, doi: 10.1038/s41591-024-03233-x.
2. Pesheva E. Using AI to repurpose existing drugs for treatment of rare diseases. The Harvard Gazette, 2024 Sep 25. Dostupné na: https://news.harvard.edu/gazette/story/2024/09/using-ai-to-repurpose-existing-drugs-for-treatment-of-rare-diseases/
Periferní neuropatie (PN) postihuje velkou část populace, přesto zůstává poddiagnostikovaná. Květen coby měsíc povědomí o PN je příležitostí připomenout význam aktivního dotazování na příznaky, jednoduchého screeningu a hledání ovlivnitelných příčin včetně deficitu vitaminů skupiny B.
U příležitosti Světového dne preeklampsie, který připadá na 22. května, jsme vybrali dvě vystoupení z třetího ročníku kongresu Nedoklubka, kde vystoupilo několik porodníků a gynekologů s představením aktuálního stavu prevence předčasného porodu.
Příznaky periferní neuropatie (PN) a nové stížnosti na brnění v končetinách, pálivá bolest nebo svalová slabost mohou být mimo jiné projevem nežádoucího účinku užívané terapie. Léčivy indukované periferní neuropatie jsou navíc častější, než se obecně předpokládá. Následující článek proto přináší stručný přehled hlavních lékových skupin spojených s poškozením periferních nervů.
