哈佛医学院提出多模态人工智能算法，从临床前数据预测药物组合的临床结果

本文链接：https://blog.youkuaiyun.com/m0_59235245/article/details/146325804

根据临床前数据预测药物组合的临床结果是一项重大挑战。

MADRIGAL 是一种多模态人工智能模型，可根据临床前数据预测药物组合的临床结果。

为什么这很重要？

联合疗法可以提高疗效并减少副作用，但确定安全有效的药物组合很困难。搜索空间巨大，药理相互作用复杂，并且许多化合物缺乏完整的临床前数据。

数据缺失问题

大多数人工智能模型在关键药物数据缺失时会遇到困难。MADRIGAL 在训练和推理时都从不完整的数据集学习，使其即使对于数据稀疏的药物也能够预测临床结果。

MADRIGAL 是什么？

一种多模态人工智能模型，整合了 21842 种化合物并预测 953 种临床结果，以评估：新的药物组合、跨器官的药物安全性和毒性、使用患者基因组数据的个性化反应。

肿瘤学中的个性化治疗设计

MADRIGAL 使用来自白血病患者样本和异种移植模型的基因组图谱来个性化药物组合反应。

预测药物安全性和转运体相互作用

MADRIGAL 识别器官特异性毒性和基于转运体的相互作用。这对于早期药物开发和临床风险评估至关重要。

对肿瘤学药物组合和多重用药进行建模

MADRIGAL 预测 PARP 抑制剂组合的安全性概况，根据血液学、肾脏和肝脏风险区分已批准和研究性治疗方案。对于像 II 型糖尿病和 MASH 这样的代谢性疾病，它将首个获 FDA 批准的 MASH 药物 Resmetirom 列为最安全的候选药物之一。

用大语言模型扩展 MADRIGAL

MADRIGAL-LLM 允许用户以自由文本查询药物组合，预测预定义本体之外的药物不良影响，以扩大其在药理学中的应用。

导读

从临床前数据预测临床结果对于确定安全有效的药物组合至关重要。当前的模型依赖于结构或基于靶点的特征来识别高效、低毒性的药物组合。然而，这些方法未能纳入准确、临床相关预测所需的多模态数据。在此，我们介绍 MADRIGAL，这是一种多模态人工智能模型，它从结构、通路、细胞活力和转录组数据中学习，以预测 953 种临床结果和 21842 种化合物的药物组合效果，包括已批准药物的组合和正在开发的新型化合物。MADRIGAL 使用Transformer瓶颈模块统一临床前药物数据模态，同时在训练和推理过程中处理缺失数据——这是多模态学习中的一个主要挑战。在预测不良药物相互作用方面，它优于单模态方法和最先进的模型。MADRIGAL 对抗癌药物组合进行虚拟筛选，并支持 II 型糖尿病和代谢功能障碍相关脂肪性肝炎（MASH）的多药治疗管理。它识别转运蛋白介导的药物相互作用。在具有最有利安全性的疗法中，MADRIGAL 预测了 resmetirom，这是第一种也是唯一一种经 FDA 批准用于 MASH 的药物。它通过整合癌症患者的基因组图谱来支持个性化癌症治疗。使用原发性急性髓系白血病样本和患者衍生的异种移植模型，它预测个性化药物组合的疗效。将 MADRIGAL 与大型语言模型集成，允许用户用自然语言描述临床结果，通过识别潜在的不良相互作用和毒性风险来改善安全性评估。MADRIGAL 提供了一种多模态方法，用于设计具有更高预测准确性和临床相关性的联合疗法。

精读

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述