Kan AI ALS helpen te behandelen?

In mei kondigden het Sheffield Insitituut voor Translationele Neurowetenschappen (Sheffield Institute for Translational Neuroscience (SITraN)) en BenevolentAI een potentiële grote doorbraak aan voor de behandeling van de motorneuronenziekte. De ontdekking werd gedaan dankzij een combinatie van Artificiële Intelligentie (AI) en grote data en zou een gloednieuw geneesmiddel kunnen opleveren om de aandoening te helpen te bestrijden.

In het perscommuniqué staat het volgende te lezen: "Deze baanbrekende ontwikkeling in de bestrijding van de ziekte, die ook bekendstaat als amyotrofische laterale sclerose (ALS), kwam er toen wetenschappers aantoonden dat het kandidaat-geneesmiddel het afsterven van motorneuronen voorkomt in celmodellen van patiënten. Het geneesmiddel stelde ook het intreden van de ziekte uit in het goudenstandaardmodel van ALS".

Dr. Laura Ferraiulo was medeleider van dit project in naam van SITraN en geeft toelichting in de enigszins geredigeerde vraag-en-antwoordenlijst hieronder.

Welke behandelingen bestaan er momenteel voor ALS?

Momenteel bestaan er verscheidene klinische interventies om ALS-symptomen te behandelen, waaronder non-invasieve ventilatie en gastrostomie. Behandelingen met geneesmiddelen zijn echter zeer zeldzaam.

Gedurende meer dan 20 jaar was alleen Riluzol het enige voor patiënten beschikbare geneesmiddel dat werd goedgekeurd door het Voedsel- en Geneesmiddelenagentschap van de VS (FDA). Een tweede geneesmiddel, Edaravone, werd onlangs, in mei 2017, goedgekeurd door het FDA.

Wat betekent deze behandeling voor slachtoffers van ALS?

Het is nog wat vroeg om te juichen, maar de samenstelling die werd geïdentificeerd door BenevolentAI bleek een zeer goed potentieel te hebben in patiëntencelmodellen van ALS en in het goudenstandaardmodel van de ziekte in vivo. Als deze veelbelovende resultaten worden bevestigd, zouden ALS-patiënten in de komende jaren de beschikking kunnen hebben over een samenstelling die de ziektevoortgang zou kunnen vertragen en die hopelijk de levenskwaliteit verbetert.

Hoe kwam deze potentiële doorbraak tot stand?

Dr. Richard Mead [medeleider van het project] en ikzelf werden benaderd door BenevolentAI om sommige van hun op AI gebaseerde hypotheses te testen op onze ALS-ziektemodellen. We testten vier verschillende samenstellingen. Twee daarvan hadden trajecten als doelwit die we al hadden geïdentificeerd als potentiële therapeutische doelwitten en de andere twee hadden doelwitten die nieuw voor ons waren. De screening in de patiëntencellen leverde de meest veelbelovende resultaten op voor één van de recent geïdentificeerde doelwitten. Daarop testten we deze samenstelling in het goudenstandaardmodel van ALS en we stelden een significante vertraging vast van de ziekteaanvang.

We proberen nu na te gaan hoe deze samenstelling precies ageert, zodat we de levering en efficiëntie ervan kunnen optimaliseren.

Waren er problemen om toestemming te krijgen voor het gebruik van de data?

Helemaal niet. Onze samenwerking met BenevolentAI is een fantastisch partnerschap, waarbij de expertise van beide partijen wordt ingeschakeld in het ontdekkingsproces. We kregen al bij de aanvang van de samenwerking de namen van de samenstellingen en de voorspelde doelwitten.

Wat zijn de volgende stappen om deze behandeling naar de testfase te voeren?

Eerst en vooral werken we samen met BenevolentAI om tot een diepgaand begrip te komen van alle doelwitten van onze voornaamste samenstelling en de exacte manier waarop ze werkt te identificeren. Dit zal ons helpen een geneesmiddel te ontwikkelen dat zo efficiënt mogelijk is en de minst mogelijke neveneffecten vertoont. Daarop zullen we de samenstellingdosis en de leveringsmodus optimaliseren om de best mogelijke resultaten te kunnen bereiken in de klinische test. Dit optimaliseringsproces zal samen met de valideringstests mogelijk tot twee jaar in beslag nemen. Eenmaal we over een sterk conceptbewijs beschikken, zullen we in staat zijn om ons te wenden tot de regelgevende instanties om zo over te gaan tot klinische tests.

Hoeveel tijd is er nodig om na te gaan of dit een levensvatbare oplossing is en indien dat het geval is, om het project uit te rollen?

Het zal ons één, maximaal twee jaar kosten om vast te stellen of we met deze samenstelling echt aan de slag kunnen.

Er is een aantal ondernemingen dat grote data en AI gebruikt op medisch vlak. Wat zijn de ruimere implicaties hiervan?

Vanuit ons perspectief zal AI leiden tot een kolossale versnelling bij het genereren van hypotheses en nieuwe bevindingen, zodat we sneller geneesmiddelen kunnen ontdekken. Processen die nu weken, maanden of jaren in beslag nemen, kunnen dan op enkele uren worden afgehandeld. We kunnen nu al stellen dat AI de mogelijkheden biedt en zal bieden om een aantal complexe insilicotests uit te voeren, waardoor niet alleen veel tijd maar ook geld wordt uitgespaard en daardoor komen fondsen vrij voor verdere wetenschappelijke en klinische vorderingen.

Vertaling: Bart De Becker

Bron: IDG Connect