ผลการศึกษานี้สามารถวัดผลการเปลี่ยนแปลงวิธีที่นักวิจัยกรองข้อมูลขนาดใหญ่เพื่อค้นหาข้อมูลที่มีความหมายและมีประโยชน์อย่างมากต่อผู้ป่วย อุตสาหกรรมยา และระบบการดูแลสุขภาพของประเทศ

"ห้องปฏิบัติการทางวิชาการและบริษัทเภสัชกรรมและเทคโนโลยีชีวภาพสามารถเข้าถึง "ข้อมูลขนาดใหญ่" และเครื่องมือที่ดีกว่าที่เคยในการวิเคราะห์ข้อมูลดังกล่าวได้ไม่จำกัดจำนวน อย่างไรก็ตาม แม้จะมีความก้าวหน้าทางเทคโนโลยีที่เหลือเชื่อเหล่านี้ อัตราความสำเร็จในการค้นคว้ายาในปัจจุบันก็ยังต่ำกว่าในปี 1970 Pradipta Ghosh, MD, ผู้เขียนอาวุโสของการศึกษาและศาสตราจารย์ในแผนกการแพทย์และเวชศาสตร์มือถือและโมเลกุลที่ UC San Diego School of Medicine กล่าว

"ส่วนใหญ่เป็นเพราะยาที่ทำงานได้อย่างสมบูรณ์ในแบบจำลองพรีคลินิก เช่น หนูทดลอง ที่มีลักษณะทางพันธุกรรมหรือเหมือนกันทุกประการ ไม่ได้แปลไปยังผู้ป่วยในคลินิก ซึ่งแต่ละบุคคลและโรคของแต่ละคนไม่เหมือนกัน มันคือ ความแปรปรวนนี้ในคลินิกที่เชื่อกันว่าเป็นจุดอ่อนสำหรับโครงการค้นคว้ายาใดๆ"

ในการศึกษาครั้งใหม่ Ghosh และเพื่อนร่วมงานได้เปลี่ยนขั้นตอนแรกและขั้นตอนสุดท้ายในการค้นคว้ายาพรีคลินิกด้วยแนวทางใหม่สองแนวทางที่พัฒนาขึ้นภายใน UC San Diego Institute for Network Medicine (iNetMed) ซึ่งรวมเอาสาขาวิชาการวิจัยต่างๆ เข้าด้วยกันเพื่อพัฒนาโซลูชันใหม่ๆ เพื่อพัฒนาวิทยาศาสตร์เพื่อชีวิตและ เทคโนโลยีและส่งเสริมสุขภาพของมนุษย์

นักวิจัยใช้แบบจำลองโรคสำหรับโรคลำไส้อักเสบ (IBD) ซึ่งเป็นโรคภูมิต้านตนเองที่กำเริบของโรคที่ซับซ้อน มีหลายแง่มุม โดยมีลักษณะเฉพาะคือการอักเสบของเยื่อบุลำไส้ เนื่องจากส่งผลกระทบต่อทุกเพศทุกวัยและลดคุณภาพชีวิตของผู้ป่วย IBD จึงเป็นพื้นที่โรคที่มีความสำคัญสำหรับการค้นคว้ายาและเป็นเงื่อนไขที่ท้าทายในการรักษาเนื่องจากไม่มีผู้ป่วยสองรายที่มีพฤติกรรมคล้ายคลึงกัน

ขั้นตอนแรกเรียกว่าการระบุเป้าหมาย ใช้วิธีปัญญาประดิษฐ์ (AI) ที่พัฒนาโดยศูนย์เครือข่ายระบบคอมพิวเตอร์ที่มีความแม่นยำ (PreCSN) ซึ่งเป็นแขนคอมพิวเตอร์ของ iNetMed วิธีการของ AI ช่วยจำลองโรคโดยใช้แผนที่ของการเปลี่ยนแปลงในการแสดงออกของยีนที่ต่อเนื่องกันตั้งแต่เริ่มมีอาการและระหว่างการพัฒนาของโรค สิ่งที่ทำให้การทำแผนที่นี้แตกต่างจากแบบจำลองอื่นๆ ที่มีอยู่คือการใช้ความแม่นยำทางคณิตศาสตร์เพื่อจดจำและแยกกฎพื้นฐานที่เป็นไปได้ทั้งหมดของรูปแบบการแสดงออกของยีน ซึ่งส่วนใหญ่มักถูกมองข้ามโดยวิธีการในปัจจุบัน

อัลกอริธึมพื้นฐานช่วยให้แน่ใจว่ารูปแบบการแสดงออกของยีนที่ระบุเป็น "ค่าคงที่" โดยไม่คำนึงถึงกลุ่มโรคที่แตกต่างกัน กล่าวอีกนัยหนึ่ง PreCSN จะสร้างแผนที่ที่ดึงข้อมูลที่ใช้กับผู้ป่วย IBD ทั้งหมด

"ในการเปรียบเทียบแบบตัวต่อตัว เราแสดงให้เห็นถึงความเหนือกว่าของแนวทางนี้เหนือวิธีการที่มีอยู่เพื่อทำนาย "ผู้ชนะ" และ "ผู้แพ้" ในการทดลองทางคลินิกได้อย่างแม่นยำ" Ghosh กล่าว

ขั้นตอนสุดท้าย ซึ่งเรียกว่าการตรวจสอบเป้าหมายในแบบจำลองพรีคลินิก ได้ดำเนินการในการทดลองทางคลินิกระยะที่ 0 ครั้งแรกของชนิดโดยใช้ biobank ที่มีชีวิตซึ่งสร้างขึ้นจากผู้ป่วย IBD ที่ศูนย์ความเป็นเลิศด้านการวิจัยของ HUMANOID (CoRE) แขนแปลของ iNetMed

แนวทาง Phase "0" เกี่ยวข้องกับการทดสอบประสิทธิภาพของยาที่ระบุโดยใช้แบบจำลอง AI กับโมเดลโรคอวัยวะในมนุษย์ ซึ่งก็คือการเพาะเลี้ยงเซลล์ของมนุษย์ในสภาพแวดล้อม 3 มิติที่เลียนแบบโรคภายนอกร่างกาย ในกรณีนี้ ลำไส้ในจานที่เป็นโรค IBD

"แนวคิดการทดลอง "ระยะ 0" ได้รับการพัฒนาเนื่องจากยาส่วนใหญ่ล้มเหลวระหว่างระยะที่ 1 และ 3 ก่อนดำเนินการกับผู้ป่วยในคลินิก "ระยะ 0" จะทดสอบประสิทธิภาพในแบบจำลองโรคในมนุษย์ ซึ่งสามารถปฏิเสธสารประกอบที่ไม่มีประสิทธิภาพได้ในช่วงต้น ซึ่งช่วยประหยัดเงินได้หลายล้านดอลลาร์” Soumita Das, PhD, ผู้ร่วมวิจัยอาวุโสของการศึกษา, ผู้อำนวยการศูนย์ HUMANOID และรองศาสตราจารย์ในภาควิชาพยาธิวิทยาที่ UC San Diego School of Medicine กล่าว

เนื้อเยื่อชิ้นเนื้อสำหรับการศึกษาถูกนำมาใช้ในระหว่างขั้นตอนการส่องกล้องตรวจลำไส้ใหญ่ที่เกี่ยวข้องกับผู้ป่วย IBD การตรวจชิ้นเนื้อเหล่านี้ถูกใช้เป็นแหล่งของสเต็มเซลล์ในการปลูกออร์กานอยด์

"มีเรื่องน่าประหลาดใจที่สำคัญสองประการ อย่างแรก เราเห็นว่าแม้จะอยู่ห่างจากเซลล์ภูมิคุ้มกันในผนังลำไส้และจุลินทรีย์หลายล้านล้านที่อยู่ในเยื่อบุลำไส้ อวัยวะเหล่านี้จากผู้ป่วย IBD แสดงให้เห็นลักษณะเด่นของลำไส้รั่ว ด้วยเส้นขอบเซลล์ที่แตก” Das กล่าวบาคาร่า สมัครบาคาร่า