据哈佛医学院的研究人员称，一种人工智能（AI）模型能够从现有的治疗方法中识别出可能治疗数千种疾病的疗法。这些疾病包括目前尚无治疗方法的罕见疾病，如芳香族L-氨基酸脱羧酶（AADC）缺乏症。
该模型名为TxGNN，其工作方式类似于医生在临床中的推理过程，通过识别潜在的药物候选物（包括实验性和已批准的药物）、报告副作用并解释决策的理由。
在一项研究中，该模型在识别潜在药物候选物方面的表现比当前领先的AI模型平均高出近50%。“这正是我们看到AI在减轻全球疾病负担方面的潜力所在，通过发现现有药物的新用途，这也是一种比从头设计新药更快、更经济有效的开发疗法的方式。”哈佛大学生物医学信息学助理教授Marinka Zitnik博士在一份大学新闻报道中表示。
该研究题为《面向临床医生的药物再利用基础模型》，发表在《自然医学》杂志上。
偶然与策略
研究人员免费向希望探索罕见疾病患者新治疗方案的临床医生提供了该模型。许多药物被重新用于治疗其最初批准之外的疾病是很常见的。据统计，近30%的FDA批准药物在首次批准后至少获得了一种额外的治疗适应症。
药物再利用之所以有前景，是因为这些药物已经过充分研究，具有已知的安全性，并且已经通过了监管审批程序。然而，药物再利用通常依赖于患者报告的意外有益副作用或医生愿意开具未标明用途的药物，这是一种临床实践中将药物用于其最初未打算治疗的情况。“我们过去常常依赖运气和偶然性而非策略，这限制了药物发现仅限于已有药物的疾病。”Zitnik说。
药物再利用还可以加速罕见疾病治疗的发展。据哈佛大学统计，在超过7,000种罕见疾病中，只有5%-7%拥有FDA批准的治疗方法，因此这一策略可以减轻全球疾病负担。
跨疾病数据分析
研究人员认为，TxGNN与其他当前的AI药物再利用模型的区别在于，它能够识别多种疾病之间的共享特征，从而从已知治疗方法的疾病中推导出相关但较少了解或治疗方法较少的罕见疾病的信息。大多数当前的AI模型都是针对单一条件或少数几种疾病进行训练的，而TxGNN则是基于多样化的多疾病数据进行训练，包括DNA信息、细胞信号传导、基因活性水平和临床笔记。
该模型还具有一种解释功能，可以提供每个决策背后的理由，这增加了透明度并提高了医生的信心。在研究中，TxGNN从近8,000种药物（包括FDA批准的药物和正在进行临床试验的疗法）中识别出17,080种疾病的潜在药物候选物，包括那些目前没有可用治疗方法的疾病。
其中，TxGNN推荐了三种罕见疾病，包括一种神经发育障碍Kleefstra综合征的治疗药物。尽管这种疾病是由不同的基因突变引起的，但Kleefstra综合征常导致发育迟缓和肌肉张力减退，这些症状也出现在AADC缺乏症患者中。TxGNN推荐了药物唑吡坦（商品名包括Ambien等）用于治疗Kleefstra综合征，理由是它可能刺激大脑中不活跃的神经元，从而减少患者的认知问题。这一预测与一些临床研究和轶事证据相符，这些研究表明唑吡坦可以增强神经发育障碍患者的言语、运动技能和警觉性。尽管这些临床案例并未包含在用于训练模型的数据中，但预测和解释理由仍然与医学证据一致。
该工具同样推荐了与医学知识相符的治疗方案，用于可能治疗埃勒斯-当洛斯综合征（一种罕见的结缔组织疾病）和肾性尿崩症（一种罕见的导致水分失衡的疾病）。
除了识别没有治疗方法的疾病的药物外，该模型还可以为无法耐受现有治疗副作用或现有治疗无效的患者群体识别替代药物。该模型在检测禁忌症（即某些治疗对患者有害的预先存在的医疗状况或症状）方面的准确性也提高了35%。
研究人员警告说，TxGNN仍需进一步筛查以确定安全性和有效性，并确定其他实际考虑因素，如剂量和治疗频率。研究团队已经开始与多个罕见疾病基金会合作，希望识别新的有效治疗方法。“通过这个工具，我们的目标是在整个疾病谱系中识别新的疗法，但对于罕见、超罕见和被忽视的疾病，我们预见到这一模型可以帮助缩小甚至消除导致严重健康不平等的差距。”Zitnik说。
(全文结束)
