Sztuczna inteligencja coraz śmielej wchodzi do medycyny translacyjnej. Najnowsze badania pokazują, że połączenie algorytmów AI z zaawansowanymi danymi obrazowymi serca może znacząco przyspieszyć odkrywanie nowych terapii kardiologicznych – w tym także ponowne wykorzystanie już istniejących leków. Taką możliwość otwiera CardioKG, innowacyjne narzędzie opracowane przez zespół naukowców z MRC Laboratory of Medical Sciences.
Z tego artykułu dowiesz się…
- Czym jest CardioKG i jak łączy sztuczną inteligencję z obrazowaniem serca, aby szybciej identyfikować cele terapeutyczne.
- Jakie dane wykorzystano do stworzenia narzędzia – w tym skalę analiz opartych na UK Biobank i setkach tysięcy cech obrazowych.
- Jakie konkretne leki i substancje wskazał model jako potencjalnie użyteczne w chorobach serca, mimo że pierwotnie stosowane są w innych wskazaniach.
- Dlaczego to podejście może zmienić przyszłość odkrywania leków i medycyny spersonalizowanej, nie tylko w kardiologii.
Czym są grafy wiedzy i dlaczego miały dotąd ograniczenia?
Grafy wiedzy (ang. Knowledge Graph) to ustrukturyzowane sieci danych, które integrują informacje z wielu źródeł biologicznych – łącząc geny, choroby, leki, szlaki molekularne i objawy. Są szeroko wykorzystywane w badaniach nad odkrywaniem leków, ponieważ pozwalają identyfikować nowe zależności, niewidoczne w pojedynczych bazach danych.
Do tej pory grafom wiedzy brakowało jednak szczegółowych informacji anatomicznych i funkcjonalnych na poziomie konkretnego narządu. W praktyce oznaczało to ograniczoną zdolność do uchwycenia rzeczywistych zmian strukturalnych i czynnościowych, które towarzyszą chorobom serca.
CardioKG: połączenie AI, obrazowania i biologii
Ten brak wypełnił projekt CardioKG, rozwijany przez dr. hab. Khaleda Rjooba oraz prof. Declana O’Regana z Computational Cardiac Imaging Group w MRC Laboratory of Medical Sciences. Naukowcy wzbogacili klasyczny graf wiedzy o dane obrazowe serca, tworząc znacznie bardziej precyzyjny model relacji gen–choroba–lek. CardioKG oferuje:
- szczegółowy opis struktury i funkcji serca,
- możliwość powiązania zmian anatomicznych z konkretnymi genami,
- narzędzie do przewidywania, czy istniejące leki mogą mieć nowe zastosowania terapeutyczne.
Dane z UK Biobank i skala analizy
Do budowy modelu wykorzystano dane obrazowe serca od:
- 4280 osób z migotaniem przedsionków, niewydolnością serca lub po zawale,
- 5304 zdrowych uczestników.
Źródłem danych był UK Biobank. Naukowcy zarejestrowali zmienność strukturalną i funkcjonalną serca, generując ponad 200 000 cech obrazowych, które następnie:
- zintegrowano z danymi z 18 biologicznych baz danych,
- wykorzystano do trenowania modeli sztucznej inteligencji przewidujących nowe powiązania genów, chorób i leków.
Jedną z zalet grafów wiedzy jest to, że integrują informacje o genach, lekach i chorobach – mówi Declan – to oznacza, że masz większą możliwość dokonywania odkryć dotyczących nowych terapii. Odkryliśmy, że uwzględnienie obrazowania serca w grafie zmieniło sposób, w jaki można identyfikować nowe geny i leki.
Nowe możliwości terapeutyczne: od metotreksatu po kofeinę
Model CardioKG nie tylko wskazał nowe geny powiązane z chorobami serca, lecz także przewidział potencjalne korzyści z ponownego zastosowania znanych leków:
- metotreksat, stosowany w reumatoidalnym zapaleniu stawów, może poprawiać przebieg niewydolności serca,
- gliptyny, leki przeciwcukrzycowe, mogą być korzystne u pacjentów z migotaniem przedsionków,
- kofeina – mimo że zwiększa pobudliwość serca – wykazała działanie ochronne u części pacjentów z migotaniem przedsionków i szybkim, nieregularnym rytmem.
Ekscytujące jest to, że ostatnio przeprowadzono inne badania w tej dziedzinie, które potwierdzają nasze wstępne ustalenia – mówi Declan – „pokazuje to ogromny potencjał grafów wiedzy w odkrywaniu istniejących leków, które mogłyby zostać wykorzystane w nowych terapiach.
Technologia, która może wyjść poza kardiologię
Choć CardioKG koncentruje się na sercu, naukowcy podkreślają, że jest to dowód słuszności koncepcji, którą można zastosować także w innych obszarach medycyny. Tam, gdzie dostępne są dane obrazowe, możliwe jest tworzenie analogicznych grafów wiedzy – m.in. dla:
- mózgu (demencja),
- tkanki tłuszczowej (otyłość),
- innych narządów i układów.
Dla firm farmaceutycznych oznacza to możliwość szybkiego generowania list genów i celów biologicznych o najwyższym priorytecie, co może znacząco skrócić i potanić proces odkrywania leków.
Kierunek przyszłości: grafy dynamiczne i medycyna spersonalizowana
Jak zapowiada dr Khaled Rjoob, kolejnym krokiem będzie rozwój narzędzia w stronę modeli zorientowanych na pacjenta:
Opierając się na tej pracy, rozszerzymy graf wiedzy, tworząc dynamiczne, zorientowane na pacjenta ramy, które odzwierciedlają rzeczywiste przebiegi chorób. Otworzy to nowe możliwości spersonalizowanego leczenia i przewidywania, kiedy choroby mogą się rozwinąć.
Prof. O’Regan pełni również funkcję profesora AI układu sercowo-naczyniowego w British Heart Foundation oraz kierownika klinicznego w Imperial College London.
Główne wnioski
- CardioKG integruje grafy wiedzy z danymi obrazowymi serca, co znacząco zwiększa precyzję identyfikacji genów i potencjalnych terapii chorób sercowo-naczyniowych.
- Model został wytrenowany na danych od ponad 9 500 uczestników UK Biobank i wykorzystuje ponad 200 000 cech obrazowych oraz informacje z 18 baz biologicznych.
- Narzędzie wskazało możliwość ponownego zastosowania znanych leków, takich jak metotreksat, gliptyny czy nawet kofeina, w leczeniu wybranych chorób serca.
- Technologia może zostać rozszerzona na inne narządy i choroby, otwierając drogę do szybszego odkrywania leków i bardziej spersonalizowanych strategii leczenia.
Źródło:
- MRC Laboratory of Medical Sciences
- Nature
