💊 Проблема: создание нового лекарства — долгий и дорогой процесс, который требует в среднем 11–16 лет и 1–2 миллиарда долларов. Нужно подобрать соединение молекул для лечения, провести доклинические исследования на животных и клинические — на людях. В результате может оказаться, что подобранное соединение не такое эффективное против болезни и не такое безопасное, как предполагалось. Существуют программы для решения разных задач. Эти программы ищут соединения с нужным действием, оценивают эффективность новых лекарств и предсказывают реакцию на них. Но это отдельные инструменты.
😎 Решение: платформа Therapeutics Data Commons с инструментами машинного обучения для всех этапов разработки новых лекарств.
🤔 Как работает? Платформа содержит готовые наборы данных для анализа и алгоритмы машинного обучения. Например, можно обучить нейросеть искать закономерности между соединениями известных лекарств и их эффективностью и безопасностью. После обучения нейронка ищет эти связи в наборах данных о непроверенных соединениях и прогнозирует, как они будут работать. Есть алгоритмы, которые предсказывают по результатам испытаний на животных, как лекарства подействуют на людей.
На платформе уже 5000 активных пользователей, а алгоритмы и наборы данных скачали более 65 000 раз.
🤔 И что? Чем больше нейросетей и наборов данных на платформе, тем быстрее и точнее можно будет делать выводы о новых соединениях. Испытаний не избежать, но это поможет отсеять явно неподходящие лекарства и сократить сроки.
👥 Кто: исследователи Медицинской школы Гарвардского университета, США.
Источники: phys.org и nature.com
