Máy học dự đoán mô hình thuốc tối ưu

Mô hình toán học thuốc

Đến thời gian gần đây, việc phát triển các mô hình thuốc thường sử dụng phương pháp hồi quy tuyến tính cổ điển, hạn chế độ chính xác khả năng trị bệnh của thuốc.

Khi dung lượng các bộ dữ liệu có liên quan đến thuốc tăng lên, một số thuật toán có thể sử dụng phương pháp thống kê và loại trừ (thuật toán Máy học) từ cơ sở dữ liệu để phát triển các mô hình toán học thuốc với độ chính xác ngày càng cao cho một mục tiêu y tế và khả năng ứng dụng rộng rãi hơn.

Phát minh ra những thuật toán và ứng dụng vào thực tế sản xuất là đối tượng của một lĩnh vực nghiên cứu mới gần đây, được gọi là Máy học (ML), phân ngành thành công nhất của Trí tuệ Nhân tạo. Phương thức tiếp cận này đặc biệt cấp thiết khi lượng dữ liệu liên quan ngày càng tăng cùng với sự phát triển những thuật toán máy học.

Các thuật toán Máy học có thể đưa ra những mô hình toán học các loại thuốc tiềm năng dựa trên tương tác thuốc - protein.

Các thuật toán máy học dự đoán các mô hình toán học thuốc tiềm năng dựa trên tương tác giữa thuốc - protein gây bênh. Ảnh Advanced Science News

Các nhà khoa học Hongjian Li, Kam-Heung Sze và Gang Lu từ trường Đại học Trung Quốc của Hồng Kông, hợp tác cùng nhà khoa học Pedro Ballester thuộc (Viện Nghiên cứu y học và sức khỏe quốc gia) INSERM của Pháp, đã đưa ra một thống kê tổng quan về tình hình phát triển và những gì đạt được trong lĩnh vực nghiên cứu Máy học. Bản báo cáo cho thấy:

Khoảng cách hiệu suất giữa các mô hình dựa trên phương pháp cổ điển và Máy học (ML) vốn đã lớn hiện tiếp tục mở rộng do cải tiến phương pháp tính toán. Hiệu suất cao cũng đạt được trong trường hợp tính toán các mô hình đặc trưng cho mục tiêu cụ thể, dù có một số trường hợp ngoại lệ, có thể do không có đủ cơ sở dữ liệu cho mục tiêu đặt ra.

Nhưng, trái với mong đợi của nhiều chuyên gia, thuật toán Máy học cấu trúc sâu (lập trình vi phân) dựa trên cơ sở mạng thần kinh nhân tạo không phải lúc nào cũng mang tính dự đoán tốt hơn hơn so với những thuật toán, phát triển trên những kỹ thuật ML được thiết lập từ trước và được xác nhận có hiệu quả.

Rút ngắn thời gian thử nghiệm

Những phương thức chiến lược thành công nhất, tạo ra các mô hình toán học thuốc dự đoán là những phương thức đã được xác định hiệu quả, kết hợp tốt giữa các thuật toán ML với các thông kê số liệu, mô tả sự tương tác giữa thuốc và các protein gây bệnh.

Những mô hình toán học thuốc này được cung cấp miễn phí cho những người khác sử dụng, đây là một giải pháp rất quan trọng, thúc đẩy ứng dụng mô hình thuốc dự kiến vào giải quyết các vấn đề thực tế, từ đó thu được những số liệu thống kê mô hình thuốc.

Điều đó có thể được hiểu, thường thì những mô hình thuốc dự kiến ban đầu không đủ liên kết chặt chẽ với protein gây bệnh, do đó không thể vô hiệu hóa hoàn toàn khả năng độc hại của protein.

Cách làm tăng khả năng của loại thuốc dự kiến là thử nghiệm hàng loạt các dẫn xuất hóa học của thuốc để tìm ra một mô hình toán học tối ưu trong thời điểm hiện tại.

Thông thường, số lượng các dẫn xuất hóa học cần được thử nghiệm rất lớn, các nhà bào chế không thể kiểm tra tất cả bằng thực nghiệm do hạn chế về thời gian và chi phí lớn.

Điều đó dẫn đến, mô hình ML sẽ đưa dự đoán dựa trên những thống kê số liệu thu được, rút ngắn đáng kể thời gian và chi phí xác định các cấu trúc toán học thuốc mạnh, chỉ thử nghiệm các dẫn xuất mà ML dự đoán sẽ liên kết chặt chẽ nhất với protein.

Trong tương lai, số lượng những nghiên cứu nhằm làm rõ, những thống kê số liệu nào mô tả hoạt động hiệu quả hơn cho một mục tiêu y tế nhất định sẽ gia tăng rất nhanh, do đó, mô hình ML sẽ rút ngắn thời gian thử nghiệm để đưa ra những mô hình toán học thuốc tối ưu nhằm giảm tối đa những thử nghiệm thực tế.

Giải pháp sử dụng ML là điều tra nghiên cứu các mục tiêu y tế nào có thể được mô hình hóa chung tốt hơn, khi cơ sở dữ liệu của một mục tiêu y tế được tăng cường bằng dữ liệu số liệu thống kê từ các mục tiêu khác, sử dụng sự tương đồng giữa các mục tiêu y tế mà thuốc được bào chế để sử dụng.

Theo bản báo cáo của các nhà khoa học, việc phối hợp giữa các thuật toán công nghệ ML và phương pháp thống kê số liệu, mô tả các dẫn xuất hóa học và hiệu quả liên kết với các protein gây bệnh sẽ nhanh chóng có được mô hình thuốc dự kiến ngày càng tốt hơn, hiệu quả hơn với những mục tiêu y tế đặt ra.