Dr. Marco V. Benavides Sánchez.
I det moderne medicinske landskab kan det føles som at lede efter en nål i en høstak, når man forsøger at finde det rette lægemiddel til en bestemt sygdom. Hvert muligt behandlingsmiddel må gennemgå års laboratorieforsøg, kliniske studier og godkendelsesprocesser. Men hvad hvis kunstig intelligens kunne forudsige, hvilke lægemidler der vil virke – allerede inden de testes i virkeligheden? Det er netop det, ContraDTI lover: et system, der kombinerer kemi, data og maskinlæring for at fremskynde opdagelsen af nye medicinske behandlinger.
Udfordringen: Et kapløb med tiden
Sygdomme opstår ofte gennem komplekse interaktioner i kroppen. For at bekæmpe dem må forskere identificere præcis, hvilke proteiner er involveret, og derefter designe molekyler – lægemidler – der kan binde sig til disse proteiner og ændre deres funktion. Denne proces kaldes for “drug-target interaction” (DTI) – altså interaktionen mellem lægemiddel og målprotein.
Normalt kræver det langvarige laboratorieforsøg at finde ud af, hvilke forbindelser der virker. Selv om der findes computerbaserede metoder, bygger de oftest på enorme mængder tidligere data. Og det er ikke altid, man har adgang til sådan information, særligt ikke i tilfælde af sjældne sygdomme eller nyopståede vira.
ContraDTI: Når to vinkler ser mere end én
Forskere fra Fudan University og City University of New York har udviklet ContraDTI, en ny tilgang til maskinlæring, som klarer sig med langt færre etiketterede data end traditionelle metoder.
Hvordan? Ved at analysere hvert lægemiddel ud fra to perspektiver:
- En molekylgraf, som viser strukturen mellem atomer og kemiske bindinger – som en slags kemisk netværk.
- En SMILES-streng, en tekstbaseret måde at beskrive molekylet ved hjælp af bogstaver og symboler.
Disse to “visninger” supplerer hinanden. Den ene er visuel og strukturel, den anden symbolsk og lineær. ContraDTI lærer at kombinere og forstå begge på samme tid.
Kontrastiv læring: En intelligent sammenligning
ContraDTI bygger på en moderne teknik kaldet kontrastiv læring, som også anvendes til ansigtsgenkendelse og billedsøgning. Tanken er, at den bedste måde at forstå noget på er ved at sammenligne det med sig selv i forskellige former – og samtidig adskille det fra ting, det ikke ligner.
Modellen bruger derfor to typer læring:
- Indre kontrast, hvor systemet lærer at skelne ét lægemiddel fra andre alene ud fra dets graf.
- Sammenhæng mellem visninger, som sørger for, at graf og SMILES-streng for samme molekyle genkendes som værende det samme.
Denne tilgang betyder, at ContraDTI ikke behøver millioner af eksempler – den kan generalisere og lære hurtigt, selv med begrænsede data.
Overraskende resultater med få data
Forskerne testede ContraDTI på forskellige datasæt – både til enkeltproteiner og til flere samtidige mål. I alle tilfælde opnåede modellen imponerende resultater, og den udmærkede sig især, når mængden af data var lille.
Det gør ContraDTI særligt nyttig i situationer med begrænset viden: sjældne sygdomme, eksperimentelle lægemidler, eller nye sygdomsvarianter som endnu ikke er fuldt kortlagt.
Virkelige anvendelser: Mere end bare en algoritme
ContraDTI er ikke bare præcis – den åbner også døre til nye muligheder:
- Lavere udgifter til kliniske studier, fordi ineffektive lægemidler kan frasorteres tidligt.
- Genbrug af kendte lægemidler til behandling af nye sygdomme via uventede interaktioner.
- Styrkelse af personlig medicin, hvor behandlingen skræddersys til den enkelte patients molekylære profil.
Da ContraDTI samtidig er open-source (kode tilgængelig på GitHub), kan forskere over hele verden videreudvikle og tilpasse det til deres egne projekter.
Er fremtidens medicin algoritmebaseret?
I et ideelt scenarie vil udviklingen af lægemidler ikke længere være en langsommelig, dyr proces – men i stedet en præcis, hurtig og samarbejdsorienteret rejse, hvor værktøjer som ContraDTI vejleder forskerne frem for blot at assistere.
Kunstig intelligens og medicinsk forskning er ikke i konkurrence – de er i symbiose. ContraDTI beviser, at selv med lidt data, kan store fremskridt opnås. Og det vigtigste: teknologien handler ikke om maskiner, men om at bringe helbredelse hurtigere til dem, der har brug for det.
Litteraturhenvisning:
– Liao, Z., Xie, L., & Zhu, S. (2025). ContraDTI: Improved drug-target interaction prediction via multi-view contrastive learning. Artificial Intelligence in Medicine, 103195. https://doi.org/10.1016/j.artmed.2025.103195
#ArtificialIntelligence #Medicine #Surgery #Medmultilingua
Skriv et svar