GenerativeAI

使用数字孪生患者队列和 GenerativeAI 对新药临床试验结果进行预测建模

BioAlg Corp. 摘要 存在临床试验失败的问题，因为每种新药的疗效都应该超过现有治疗方案的疗效，而这随着时间的推移变得越来越具有挑战性。另一个重要问题是治疗对当前疗法产生耐药性的患者。本质上，使用药物组合或标外用药（指征与诊断不符）类似于实验，因为没有足够的数据来确定使用哪种药物或组合。这项工作提出了一种利用基因表达和临床数据对患者进行计算机建模的方法。深度学习和生成对抗网络被用作建模工具。算法的训练数据来自公开可用的数据库，例如 TCGA 和 Drugbank。建模基于患者之间的相似性、药物之间的相似性以及个体器官和患者组织与细胞系之间的相似性的假设，相似性是通过数学计算的。结果，创建了一个患者模型，其中输入由药物及其组合组成，输出提供生存概率值。这些模型数据可以使用生成对抗网络 (GAN) 技术生成任意数量的所需数量，以创建观察组和对照组。因此，可以模拟临床试验、预测其结果，最重要的是，优化试验参数以最大程度地提高成功的可能性。简介许多研究都集中于确定患者是否会超过定义的 OS 或 PFI 的阈值，从而产生分类任务。研究人员试图分类患者对给定疗法的反应是积极还是消极 [1]。一些方法可以预测对特定治疗药物的反应，但仅限于少数化疗药物，通常少于 10 种。其他药物的模型尚未训练 [2]。现有的预测临床试验有效性或临床结果的方法基于不同的方法。然而，结合转录组分析数据的研究有限（1900 项中不到 45 项）。