全球范围内存在超过7000种罕见病和未确诊疾病，尽管每一种病的患病人数不多，但它们对人类健康和经济的影响却是巨大的，因为它们影响着全球约3亿人。遗憾的是，仅有5%到7%的这些疾病有FDA批准的药物可用，这意味着大多数患者缺乏有效治疗。
尽管开发新药是一项艰巨的任务，但人工智能的新兴技术为我们带来了希望。这些工具有助于从现有的药物库中发现新的治疗途径，为那些患有罕见和被忽视疾病的患者以及治疗他们的医生提供了新的解决方案。
TxGNN，一种开创性的人工智能模型，由哈佛医学院的科学家们开发，专注于为那些目前无法治疗的罕见疾病寻找潜在的药物疗法。这一模型在现有药物的基础上，已经成功识别出超过17,000种不同疾病的治疗候选药物，其中很多疾病此前没有已知的有效治疗方法。这代表了单一AI模型在疾病治疗探索方面的一大进步。
研究人员强调，TxGNN的应用范围不仅限于这17,000种疾病，它还有潜力扩展到更多疾病。
这项突破性的研究成果已于9月25日在《自然医学》杂志上发表。为了促进全球范围内的医学研究和治疗发现，哈佛医学院的团队决定将这一工具无偿提供给临床医生和科研人员(网址：http://txgnn.org/），特别是那些致力于解决缺乏有效治疗方案的疾病的专业人士。
示意图说明
药物再利用是指探索现有药物的新治疗用途以治疗疾病的过程。利用已有的安全性和有效性数据可以大幅降低成本并缩短救命治疗药物的上市时间 。
计算性药物再利用通常考虑的是已有可用治疗方法和分子机制被充分理解的疾病。然而，许多疾病缺乏治疗方法，对疾病机制的理解也不完整。这些固有的限制对AI模型构成了挑战。TxGNN通过将药物再利用构建为零样本预测问题来应对这一挑战 。
TxGNN提出了一个人工智能框架，用于生成零样本药物再利用的可操作预测。TxGNN的几何深度学习模型整合了一个庞大而全面的生物知识图谱（KG），以准确预测任何特定疾病-药物对的适应症或禁忌症的可能性。此外，TxGNN生成可解释的多跳路径，促进人类对预测如何基于医学知识的理解 。
TxGNN模型在涵盖17,080种疾病和7,957种药物作用机制的医学知识图谱上进行了训练 。
该工具被设计用来寻找治疗各种疾病的新方法。研究人员认为这一模型特别有助于缩小罕见病、极罕见病和被忽视疾病所造成的健康差异。人工智能在减轻全球疾病负担方面具有巨大潜力，特别是在发现现有药物的新用途方面。这种方法比开发新药更快速、成本效益更高。
这项新工具具备两大核心功能：一方面，它能够识别潜在的治疗药物以及可能伴随的副作用；另一方面，它还能提供其决策背后的合理解释。
该工具在近8000种药物中进行筛选，这些药物包括已获FDA批准的使用药物以及正在临床试验阶段的实验性药物。它成功为17,080种疾病找到了治疗候选药物，其中不乏那些目前尚未有治疗方法的疾病。此外，该工具还能够预测哪些药物可能对特定疾病产生副作用或禁忌——这些信息通常需要通过早期临床试验中的反复测试来获得。
相较于现有的药物再利用人工智能模型，该新工具在识别候选药物的准确性上实现了近50%的提升。同时，在预测药物禁忌症方面，其准确率也提高了35%。
使用已批准药物发现更多适应症
药物再利用是一种开发新疗法的有吸引力的方法，因为它建立在已经被研究、证明安全并获得监管机构批准的药物之上。
许多药物除了最初的治疗目的外，还具有多种作用。然而，这些额外的作用往往在药物最初测试、临床试验和审查过程中没有被发现，而是在药物上市并被数百万人使用多年后才显现。实际上，大约30%的FDA批准药物在首次获批后至少获得了一种新的治疗用途，许多药物随着时间推移获得了数十种新的治疗用途。
目前，药物再利用的过程很大程度上是偶然的。它依赖于患者意外发现的副作用报告，或者医生基于直觉将药物用于非标签用途的决策，即所谓的“超说明书使用”。
研究者指出，我们通常依赖于偶然发现，而不是系统策略，这限制了药物研发的范围，仅限于那些已经有药物治疗的疾病。
药物再利用的潜力不仅限于治疗目前无法治愈的疾病。对于那些已经有标准治疗的常见疾病，通过再利用发现的新药可能提供更少副作用的治疗选择，或者替代那些对某些患者无效的药物。
新的AI工具比现有模型的优势在哪里？
目前，大多数用于药物研发的AI模型都是针对单一疾病或少数几种疾病进行训练。与此不同的是，新工具的训练方式不局限于特定疾病，而是旨在利用现有数据进行更广泛的预测。它通过识别不同疾病的共同特征——如基因组变异——来实现这一目标。
例如，AI模型能够基于共同的基因组基础，精确地识别出多种疾病的共同病理机制。这使得模型能够从一个已知治疗方法且机理较明确的疾病中，推断出对另一个尚未找到治疗方法且机理不太明确的疾病可能有效的药物。
研究团队指出，这种能力使得AI工具在模拟人类临床医生的推理过程方面迈出了重要一步。临床医生在面对新情况时，会利用他们所掌握的所有知识和数据来产生新的治疗想法。而AI模型则能够访问和处理人类大脑无法存储的大量现有知识和原始数据。
这款新工具经过了大量数据的训练，涵盖了DNA信息、细胞信号、基因活动水平和临床记录等多个方面。为了测试和完善模型的性能，研究人员让它执行了多项任务。最终，该工具在120万份患者记录上进行了验证，以识别各种疾病的潜在治疗药物。
此外，研究人员还要求工具预测哪些患者特征会导致某些患者群体对已确定的候选药物产生禁忌。
在另一项任务中，工具被要求识别出能够阻断与疾病相关途径和过程的关键蛋白质活动的小分子化合物。
为了测试模型的推理能力，研究人员设计了一个挑战，让模型寻找三种罕见疾病的治疗药物，这些疾病在训练数据中并未包含——包括神经发育障碍、结缔组织疾病和一种导致水分失衡的遗传病。
在将模型的治疗建议与当前医学知识进行比较后，研究人员发现模型的建议与现有医学知识一致。
值得注意的是，该模型还能提供其决策背后的理由，增加了透明度，并可能增强医生对AI推荐的信任。
尽管如此，研究人员提醒说，任何通过该模型确定的潜在疗法在应用于患者之前，都需要进行额外的评估，以确定剂量和给药时间。尽管如此，这种新工具有望加速药物再利用的过程。目前，研究团队已经与一些罕见疾病基金会合作，探索可能的治疗方法。
欢迎加入｜welcome
生物医药交流群
免责声明：文章内容仅供参考，不构成投资建议。投资者据此操作，风险自担, 关于对文中陈述、观点判断保持中立，不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。请读者仅作参考，并请自行承担全部责任。本公众号发布的各类文章重在分享，如有侵权请联系我们，我们将会删除。
