研究人员开发人工智能模型更好的预测哪些药物可能会导致出生缺陷

数据科学家伊坎在纽约西奈山医学院和他的同事创造了一个人工智能模型,可以更准确地预测哪些现有medicines-not目前列为harmful-may事实上导致先天性残疾。

模型(“知识图”),描述的通信医学,也有可能预测临床前的参与化合物可能损害胎儿的健康发育。这项研究是第一个已知的使用知识图集成各种数据类型调查先天性残疾的原因。

出生缺陷是异常,影响约33出生在美国。他们可以是功能或结构,被认为源于多种因素,包括遗传学。然而,大多数这些残疾的原因仍然未知。某些物质在药物、化妆品、食品和环境污染物可能导致出生缺陷如果怀孕的人接触。

“我们想改善生殖健康和我们的理解胎儿发育,重要的是,警告潜在的新药引起出生缺陷前这些药物被广泛推广和分布式,“Avi Ma 'ayan说,博士,教授,药理科学和西奈山生物信息学中心主任伊坎西奈山,和论文的资深作者。“虽然识别根本原因是一个复杂的任务,我们希望通过这样的复杂数据分析集成来自多个来源的证据,我们就可以在某些情况下,为了更好地预测,控制,和防止先天性残疾可能导致的重大伤害。”

研究人员聚集在出生缺陷协会指出知识跨多个数据集出版工作演示如何集成来自这些资源的数据会导致协同发现。特别是,合并后的数据是已知基因的生殖健康,怀孕期间分类基于风险的药物,以及药物和临床前的化合物是如何影响人体细胞内的生物机制。

具体地说,包括基因研究协会的数据,药物——preclinical-compound-induced细胞系的基因表达变化,已知的药物靶点,为人类基因遗传负担得分,胎盘穿越得分为小分子药物。

重要的是,用ReproTox-KG semi-supervised学习(SSL),研究小组将30000年临床前小分子药物的潜在穿过胎盘并引起出生缺陷。SSL是机器学习的一个分支,利用少量的标记数据来指导预测更大的无标号数据。此外,通过分析拓扑ReproTox-KG超过500的出生缺陷基因/药物发现派系可以解释背后的分子机制药物引起的出生缺陷。在图论方面,派系是一个图,所有的子集小团体中的节点直接连接到所有其他节点的小团体。

研究人员警告说,这项研究的发现是初步的,需要进一步的实验验证。

接下来,研究人员计划为其它项目使用类似的图论方法专注于基因之间的关系,药物,和疾病。他们还试图使用处理过的数据集作为训练材料课程和研讨会在生物信息学分析。此外,他们计划将研究扩展到考虑更复杂的数据,如从特定组织的基因表达和细胞类型收集在不同的发展阶段。

“我们希望我们的合作将导致一个新的全球框架来评估新药的潜在毒性和解释一些药物的生物机制,导致出生缺陷可能操作。有可能在将来的某个时候,监管机构如美国食品和药物管理局和美国环境保护署可以使用这种方法来评估新药或其他化学应用的风险,”马'ayan博士说。