8.6.2022
I framtiden kommer vi kunna behandla cancer med mediciner som riktas direkt mot cancercellerna, med färre och lindrigare biverkningar. Forskarna är hoppfulla, men processen är dyr och tar tid. Åbo Akademis dataforskare vill påskynda utvecklingen genom att låta AI beräkna vilka läkemedelspartiklar som är effektivast.
– Alla påverkas av cancer, på ett sätt eller annat. Vänner eller familjemedlemmar drabbas, eller vi själva, om vi lever tillräckligt länge. De cancerbehandlingar som är vanliga idag, strålbehandling, kemoterapi, och även mer målinriktade behandlingar är mycket invasiva. De dödar cancerceller men skadar också andra organ, säger Sepinoud Azimi.
Sepinoud Azimi är docent i biomedicinsk dataanalytik och äldre universitetslektor i informationsteknologi vid Åbo Akademi. Azimi och hennes kollegor undersöker hur man kan utveckla nya former av cancerbehandlingar med hjälp av AI och maskininlärning.
Kort uttryckt handlar maskininlärning om att få datorer att förstå och självständigt hantera stora mängder data. Maskininlärning använder matematiska datamodeller, algoritmer, för att identifiera mönster i data – mönster som är alldeles för komplexa för en människa att tolka.
– Jag kommer inte på en enda bransch som inte skulle dra nytta av maskininlärning. Ekonomi, handel, underhållning, allt. Det finns data överallt och vi behöver verktyg att bearbeta dessa data och förstå informationen.
Experiment i laboratorium är dyra och tar tid
Inom hälso- och sjukvården blir tillämpningar inom AI och maskininlärning särskilt betydelsefulla.
– När en person som står mig nära är sjuk vill jag inte vänta 20 år på ett botemedel. Jag vill att behandlingen ska finnas nu, säger Sepinoud Azimi.
I den studie som Azimi och hennes kollegor nu jobbar med undersöker man nanopartiklar som bär på molekyler av cancerläkemedel. Målet är att partiklarna hittar cancertumören och aktiverar läkemedlet först då de nått fram.
– Det här fungerar i teorin, men att utforma ett läkemedel i praktiken är förstås mycket komplext. Ett problem är till exempel att läkemedelsmolekylerna trillar av bärarpartikeln eller bryts sönder före de når cancercellerna.
– Det är försök och misstag. Forskarna designar en nanopartikel och testar den i laboratorium. Oftast misslyckas de. De går vidare till följande design, testar den och så vidare. Experimenten är dyra och tar tid.
Här kommer maskininlärning in. Azimis team har framgångsrikt skapat en första datorsimulering som, baserat på data, lär sig förstå och förutse effektiviteten hos en bärarpartikel. Med hjälp av AI-simulationen kan forskarna alltså förutse vilken partikelkonstruktion det lönar sig att testa i laboratoriet.
Möjlighet att drömma större
– Målet är att göra simulationen så realistisk som möjligt och för det behövs tillräckligt och rätt slags data. Om blodflödet, om hela den fysiologiska miljön. Men vi hoppas kunna färdigställa AI-modellen ännu före slutet av det här året.
Enligt Sepinoud Azimi har maskininlärning potentialen att påskynda utvecklingen av läkemedel mot sjukdomar som idag inte går att bota.
– Maskininlärning gör det möjligt för oss att drömma större. Det förutsätter att vi har tillgång till bra data och tillräckligt snabba datorer. Men det låter oss drömma om saker som var otänkbara ens för 10 eller 20 år sedan.
– Det talas mycket om betydelsen av tvärvetenskaplig forskning. Maskininlärning handlar genomgående om vetenskapliga möten – till exempel att läkemedelsforskning och dataanalytik möts. Varje grupp tar med sig sin expertis och sina drömmar och tillsammans ser vi om vi kan åstadkomma någonting nytt.
Åbo Akademi har fyra forskningsprofiler, varav Lösningar för hälsa är en. Profilen kombinerar en rad tvärvetenskapliga forskningsområden och arbetar med att utveckla lösningar för hälsan med slagordet ”from molecule to mind”, alltså från molekyl- och cellnivå till psykiskt välmående.
Klicka här för att läsa mera om forskningsprofilen och hur du kan bidra.