Professional Documents
Culture Documents
_עבודה בינה מלאכותית ופיתוח תרופתי
_עבודה בינה מלאכותית ופיתוח תרופתי
_עבודה בינה מלאכותית ופיתוח תרופתי
תרופות
עבודה סופית :דיכאון -הצורך בטיפולים מותאמים אישית
מגיש:
אדי גרבר 021794201
מאי 2024
_____________________________________________
AI in drug discovery – final course work
________________________________________________________________
תיאור הבעיה
דיכאון הוא הפרעה נפשית נפוצה ומורכבת ,המשפיעה על כ 5%-מהאוכלוסייה העולמית [ .]1למרות מגוון
הטיפולים הקיימים ,כ 30%-מהמטופלים לא מגיבים באופן מספק לטיפול ראשוני בנוגדי דיכאון ,ורבים סובלים
מתופעות לוואי משמעותיות [ .]2התגובה לטיפול תלויה בגורמים גנטיים ,סביבתיים ואישיותיים מגוונים ,מה
שמקשה על בחירת הטיפול האופטימלי לכל מטופל [ .]3בשנים האחרונות ,התקדמויות בתחום הגנומיקה והדמיה
מוחית חושפות את הבסיס הביולוגי המורכב של דיכאון [ ,]4ומספקות הזדמנות ליישם עקרונות של רפואה
מותאמת אישית בפסיכיאטריה [.]5
הפתרון הרצוי
אנו מציעים לפתח פלטפורמה חישובית חדשנית המנצלת טכניקות מתקדמות של בינה מלאכותית ( )AIכדי לשלב
מגוון רחב של נתונים ביולוגיים לכדי מודל מנבא של תגובה לטיפול בדיכאון .בליבת המערכת יעמדו אלגוריתמים
של למידה עמוקה ( )Deep Learningכגון רשתות נוירונים מלאכותיות ( )Artificial Neural Networksורשתות
מבוססות גרף ( ,)Graph Neural Networksשהוכחו כיעילים בניתוח מידע ביו-רפואי מורכב [.]10,11
הפלטפורמה תקבל כקלט נתונים גנומיים (כגון רצפי ,DNAפרופילי ביטוי גנים ווריאנטים גנטיים) ,לצד מדדים
קונקטומיים המתארים את ארגון הקישוריות המוחית (כפי שנמדד בשיטות הדמיה כמו fMRIו .]DTI) [12-בנוסף,
ישולב מידע קליני על מאפייני המחלה והמטופל.
האתגר המרכזי הוא לגלות דפוסים מורכבים ויחסי גומלין בין מקורות המידע השונים .לשם כך ,נשתמש בטכניקות
של למידת ייצוגים ( )Representation Learningכדי ללמוד ייצוגים חישוביים אינפורמטיביים של הנתונים
הגולמיים [ .]13שיטות מתקדמות כמו Auto-Encodersו Convolutional Networks-יאפשרו דחיסה יעילה של
מידע ולמידת מאפיינים מועילים מתוך הנתונים הגנומיים והקונקטומיים [ .]14,15בהמשך ,נשתמש באלגוריתמים
של למידה מפוקחת ( )Supervised Learningכדי לאמן מודלים מנבאים של תגובה לטיפול תרופתי ,תוך שימוש
במדדי תוצאה מוגדרים היטב (כגון שינוי בחומרת הדיכאון לפי סולמות קליניים מקובלים) [.]16
נקודה חשובה נוספת היא הצורך לזהות תת-קבוצות ביולוגיות בתוך אוכלוסיית החולים .לשם כך ,נשלב שיטות של
למידה לא מפוקחת ( )Unsupervised Learningכגון מיון אשכולות ( )Clusteringוניתוח גורמים (Factor
_________________________________________________________________________
1
AI in drug discovery – final course work
________________________________________________________________
)Analysisכדי לחשוף תת-טיפוסים של דיכאון המאופיינים בפרופילים ביולוגיים ייחודיים [ .]17,18זיהוי כזה של
תת-קבוצות הומוגניות יותר מבחינה פתופיזיולוגית יאפשר להתאים טיפולים באופן ממוקד ,ובכך להגביר את
הסיכוי לתגובה חיובית.
הפלטפורמה תשלב גם ממשק ידידותי למשתמש שיאפשר לקלינאים להזין בקלות נתוני מטופלים ,ולקבל המלצות
טיפוליות מותאמות אישית על סמך הפלט של מודלי ה .AI-דוחות מפורטים יסייעו לרופאים להבין את הבסיס
לחיזוי ,תוך מתן מידע על מאפיינים ביולוגיים רלוונטיים ורמת הוודאות של ההמלצה .בנוסף ,תתאפשר
אינטראקציה בין המשתמש למערכת ,כך שניתן יהיה לבחון תרחישים שונים ולהתאים את המודלים בהתאם
למשוב קליני.
2
AI in drug discovery – final course work
________________________________________________________________
מתודולוגיות וסטטיסטיות מורכבות הכרוכות בשילוב סוגי מידע כה שונים .דרושה עבודה מעמיקה כדי לפתח
מודלים חישוביים איתנים המסוגלים להכליל בצורה מהימנה מעבר לסט האימון ,ולהתמודד עם רעש ושונות
בנתונים .בנוסף ,ישנן שאלות פתוחות לגבי המנגנונים המולקולריים והעצביים המתווכים בין המאפיינים הביולוגיים
שנמדדו לבין השפעתם על מצב קליני ,ונדרש מחקר נוסף כדי לגשר על הפערים בהבנה שלנו את הפתופיזיולוגיה
של דיכאון.
מעבר לאתגרים המדעיים והטכנולוגיים ,יישום מעשי של גישות מותאמות אישית מחייב התייחסות לשורה של
סוגיות אתיות וחברתיות .הגנה על פרטיות המידע הגנטי והרפואי של המשתתפים חייבת לעמוד בראש סדר
העדיפויות ,ויש לפעול בשקיפות מלאה ובהתאם לעקרונות של הסכמה מדעת .כמו כן ,חשוב להבטיח את הוגנות
הגישה לטכנולוגיות החדשות ,ולפעול למניעת הטיות פוטנציאליות של האלגוריתמים ,כך שהתועלת תהיה נחלת
הכלל .ולבסוף ,יש לתת את הדעת על האופן שבו הטמעה של כלי עזר לקבלת החלטות מבוסס AIישפיעו על
תהליכי העבודה הקליניים ועל מערכת היחסים בין מטפלים ומטופלים .מוטלת עלינו החובה להכשיר את הצוותים
הרפואיים ולהציע דרכים לשילוב אחראי של הטכנולוגיה ,תוך שמירה על היבטים חיוניים של שיקול דעת קליני
ואמפתיה אנושית.
בראייה צופה פני עתיד ,בינה מלאכותית ורפואה מותאמת אישית טומנות בחובן הבטחה עצומה לשפר את חייהם
של אנשים הסובלים מהפרעות פסיכיאטריות .הפלטפורמה המתוארת כאן מייצגת מהלך אמיץ לקראת מימוש
הפוטנציאל הזה בתחום הדיכאון ,אך היא רק קצה הקרחון .ניתן לדמיין יישומים דומים במגוון רחב של הפרעות
נוירו-פסיכיאטריות ,החל מחרדה והפרעות אכילה ועד סכיזופרניה והפרעה דו-קוטבית .ככל שיצטבר יותר ויותר
ידע ממחקרים גנומיים ונוירו-הדמייתיים ,וככל שהאלגוריתמים ילכו וישתכללו ,כך תגדל יכולתנו להציע למטופלים
גישה מותאמת אישית ,המעוגנת בהבנה מנגנונית עמוקה של המחלה שלהם.
אך ההשלכות חורגות הרבה מעבר לתחום הרפואי הצר .בחברה שבה ההבנה וההכלה כלפי מחלות נפשיות עדיין
לוקה בחסר ,לתפיסות מדעיות עדכניות יש כוח לעצב מחדש את השיח הציבורי .ככל שנצליח להפיץ את המסר
שדיכאון הוא הפרעה ביולוגית מרובת פנים עם בסיס גנטי ומוחי ,ולא סתם "חולשת אופי" ,נוכל להפחית סטיגמות
ולקדם חברה של הבנה וחמלה .ככל שנדייק יותר בהתאמת הטיפול לאדם הספציפי ,נעצים את המטופלים ונחזק
את התקווה להחלמה .זוהי אחריות כבדה ,אך גם זכות גדולה ,להיות חלק ממהפכה טכנולוגית ותרבותית שיש
בכוחה לשנות את פני בריאות הנפש במאה ה.21-
_________________________________________________________________________
3
AI in drug discovery – final course work
________________________________________________________________
מקורות
[2] Rush, A. J., Trivedi, M. H., Wisniewski, S. R., Nierenberg, A. A., Stewart, J. W., Warden, D.,
... & Fava, M. (2006). Acute and longer-term outcomes in depressed outpatients requiring one
or several treatment steps: a STAR* D report. American Journal of Psychiatry, 163(11),
1905-1917.https://pubmed.ncbi.nlm.nih.gov/17074942/
[3] Schaakxs, R., Comijs, H. C., Lamers, F., Beekman, A. T., & Penninx, B. W. (2017).
Age-related variability in the presentation of symptoms of major depressive disorder.
Psychological medicine, 47(3), 543-552.https://pubmed.ncbi.nlm.nih.gov/27786143/
[4] Drysdale, A. T., Grosenick, L., Downar, J., Dunlop, K., Mansouri, F., Meng, Y., ... & Liston, C.
(2017). Resting-state connectivity biomarkers define neurophysiological subtypes of depression.
Nature medicine, 23(1), 28-38.https://www.nature.com/articles/nm.4246
[5] Dwyer, D. B., Falkai, P., & Koutsouleris, N. (2018). Machine learning approaches for clinical
psychology and psychiatry. Annual review of clinical psychology, 14, 91-118.
https://doi.org/10.1146/annurev-clinpsy-032816-045037
[6] Serretti, A. (2018). The present and future of precision medicine in psychiatry: focus on
clinical psychopharmacology of antidepressants. Clinical Psychopharmacology and
Neuroscience, 16(1), 1-6. https://doi.org/10.9758/cpn.2018.16.1.1
[7] Perlman, K., Benrimoh, D., Israel, S., Rollins, C., Brown, E., Tunteng, J. F., ... & Mehltretter,
J. (2018). A systematic meta-review of predictors of antidepressant treatment outcome in major
depressive disorder. Journal of affective disorders.https://pubmed.ncbi.nlm.nih.gov/30286415/
_________________________________________________________________________
4
AI in drug discovery – final course work
________________________________________________________________
[8] Chekroud, A. M., Zotti, R. J., Shehzad, Z., Gueorguieva, R., Johnson, M. K., Trivedi, M. H.,
... & Corlett, P. R. (2016). Cross-trial prediction of treatment outcome in depression: a machine
learning approach. The Lancet Psychiatry.https://pubmed.ncbi.nlm.nih.gov/26803397/
[9] Mrazek, D. A., Hornberger, J. C., Altar, C. A., & Degtiar, I. (2014). A review of the clinical,
economic, and societal burden of treatment-resistant depression: 1996–2013. Psychiatric
services.https://pubmed.ncbi.nlm.nih.gov/24789696/
[10] He, T., Kong, R., Holmes, A. J., Nguyen, M., Sabuncu, M. R., Eickhoff, S. & Yeo, B. T.
(2020). Deep neural networks and kernel regression achieve comparable accuracies for
functional connectivity prediction of behavior and demographics.
NeuroImage.https://www.sciencedirect.com/science/article/pii/S1053811919308675
[11] Jiang, R., Calhoun, V. D., Zuo, N., Lin, D. & Sui, J. (2018). Connectome-based
individualized prediction of temperament trait scores.
Neuroimage.https://pubmed.ncbi.nlm.nih.gov/30125712/
[12] Patel, M. J., Khalaf, A., & Aizenstein, H. J. (2016). Studying depression using imaging and
machine learning methods. NeuroImage: Clinical. https://doi.org/10.1016/j.nicl.2015.11.003
[13] Miotto, R., Wang, F., Wang, S., Jiang, X., & Dudley, J. T. (2018). Deep learning for
healthcare: review, opportunities and challenges. Briefings in bioinformatics,
https://academic.oup.com/bib/article/19/6/1236/3800524
[14] Vieira, S., Pinaya, W. H., & Mechelli, A. (2017). Using deep learning to investigate the
neuroimaging correlates of psychiatric and neurological disorders: Methods and applications.
Neuroscience & Biobehavioral Reviews, https://doi.org/10.1016/j.neubiorev.2017.01.002
[15] Li, H., Parikh, N. A., & He, L. (2018). A novel transfer learning approach to enhance deep
neural network classification of brain functional connectomes. Frontiers in neuroscience,
https://www.frontiersin.org/journals/neuroscience/articles/10.3389/fnins.2018.00491/full
_________________________________________________________________________
5
AI in drug discovery – final course work
________________________________________________________________
[16] Williams, L. M. (2017). Defining biotypes for depression and anxiety based on large‐scale
circuit dysfunction: a theoretical review of the evidence and future directions for clinical
translation. Depression and anxiety, https://pubmed.ncbi.nlm.nih.gov/27653321/
[17] Tokuda, T., Yoshimoto, J., Shimizu, Y., Okada, G., Takamura, M., Okamoto, Y., ... &
Yamawaki, S. (2018). Identification of depression subtypes and relevant brain regions using a
data‐driven approach. Scientific reports, https://www.nature.com/articles/s41598-018-32521-z
[18] Beijers, L., Wardenaar, K. J., Bosker, F. J., Lamers, F., van Grootheest, G., de Boer, M. K.,
... & Schoevers, R. A. (2019). Biomarker-based subtyping of depression and anxiety disorders
using latent class analysis. A NESDA study. Psychological medicine,
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6393228/
_________________________________________________________________________