Nuovo modello di AI accelera la scoperta dei target genici terapeutici | Intelligenza artificiale generativa | Chatgpt immagini gratis | Chatgpt download | Turtles AI

 Un team di ricerca della Pusan National University ha sviluppato un modello di AI, denominato Hypergraph Interaction Transformer (HIT), che sfrutta gli ipergrafi per identificare in modo rapido e accurato i target genici terapeutici, accelerando così la scoperta di nuovi farmaci.

Punti chiave:

• Innovativo modello di AI per l’identificazione dei target genici terapeutici.
• Utilizzo degli ipergrafi per rappresentare complesse interazioni biologiche.
• Maggiore efficienza e precisione rispetto ai metodi tradizionali.
• Potenziale contributo alla medicina personalizzata e allo sviluppo di nuovi farmaci.

L’identificazione dei target genici terapeutici è fondamentale per la medicina personalizzata e per comprendere le basi genetiche delle malattie. Tuttavia, i metodi sperimentali tradizionali per scoprire questi target sono spesso costosi e richiedono molto tempo. Sebbene l’apprendimento profondo abbia mostrato risultati promettenti nell’identificazione dei biomarcatori genetici, ha incontrato difficoltà nell’individuare geni terapeutici a causa delle complesse relazioni uno-a-molti tra malattie, geni e ontologie geniche. Per superare queste sfide, un team di ricerca della Pusan National University, guidato dal professor associato Giltae Song della School of Computer Science and Engineering, ha sviluppato un modello di AI innovativo chiamato Hypergraph Interaction Transformer (HIT). Questo modello utilizza gli ipergrafi, che a differenza dei grafi tradizionali possono collegare più nodi con un singolo iperarco, permettendo di rappresentare in modo efficace le complesse interazioni biologiche. HIT costruisce ipergrafi di geni e malattie utilizzando diversi set di dati biologici, catturando le connessioni tra geni, malattie e varie ontologie come quelle geniche, delle malattie e dei fenotipi umani. Il modello elabora questi ipergrafi attraverso due codificatori specializzati basati su meccanismi di attenzione. Il primo codificatore processa l’ipergrafo genico per creare incorporamenti genici, che rappresentano la relazione tra un insieme di geni e l’ontologia genica a cui sono collegati. Questi incorporamenti servono come punto di partenza per i geni corrispondenti nell’ipergrafo delle malattie. Il secondo codificatore perfeziona gli incorporamenti genici utilizzando l’ipergrafo delle malattie e genera nuovi incorporamenti per le malattie. Infine, queste rappresentazioni vengono combinate per classificare specificamente un gene come target terapeutico, biomarcatore o non correlato a una determinata malattia. HIT ha dimostrato una superiorità rispetto ai modelli esistenti in tutte le metriche testate, mostrando un’elevata precisione nella classificazione dei target genici terapeutici. La sua efficienza è notevole: richiede solo 1 ora e 40 minuti per l’addestramento e l’inferenza su una singola unità di elaborazione grafica, rispetto alle settimane necessarie con i metodi tradizionali. Uno studio di caso sull’insufficienza cardiaca ha ulteriormente validato la sua applicabilità nel mondo reale, identificando con successo tutti i target terapeutici noti per questa malattia. Inoltre, il processo decisionale del modello è altamente spiegabile, aumentando la fiducia di medici e ricercatori nei suoi risultati. Questo avanzamento potrebbe accelerare la scoperta di nuovi target genici terapeutici e contribuire a una comprensione più approfondita dei meccanismi delle malattie, promuovendo la medicina personalizzata e migliorando la diagnosi precoce in ambito clinico.

Identificando in modo rapido e preciso i target genici terapeutici, HIT ha il potenziale di ridurre significativamente i tempi di sviluppo dei farmaci, permettendo ai trattamenti promettenti di raggiungere i pazienti in tempi più brevi.