Så kan maskininlärning förbättra processen för framtagande av läkemedel

Åtta lag, bestående av svenska och internationella representanter från både universitet och privat sektor, har deltagit i ”Adipocyte Cell Imaging Challenge”. Lagen har tagit sig an uppgiften att med hjälp av maskininlärning effektivisera framtagandet av läkemedel. Det vinnande laget, HASTE team, består av forskare från Uppsala Universitet och valdes ut av en jury bestående av representanter från AstraZeneca, Vinnova och AI Sweden.

- Vi på AstraZeneca ser att vi kommer att kunna ha nytta av resultaten omgående. Vårt partnerskap med AI Sweden och lagens bidrag har öppnat upp för både nya idéer och nya samarbeten. Det kommer att ge oss en språngbräda för att öka vår kapacitet och potentiellt snabbare få ut nya läkemedel på marknaden.

Anders Holmén, Vice President and Head of Pharmaceutical Sciences BioPharmaceuticals R&D, AstraZeneca

Ett verktyg som används för att utveckla system för målstyrda läkemedel är högupplöst mikroskopi. Förändringar av cellstrukturen analyseras för att bedöma effekten av olika typer av läkemedel. För att mikroskopet ska kunna differentiera mellan olika cellstrukturer krävs det att man i ett första steg förbereder cellerna genom att färga dem. Detta är både tidskrävande och kostsamt. Dessutom kan infärgningen påverka cellerna på ett artificiellt sätt vilket inkräktar på slutresultatet och försvårar insamlingen av tillförlitlig data över tid, till exempel när man ska studera effekten av läkemedelsintag under en längre period.

Det är här maskininlärning kommer in i bilden. Det vinnande laget HASTE team har nämligen hittat en lösning så att man med hjälp av maskininlärning kan läsa av även de gråskaliga bilderna av celler som inte är färgade med toxisk färg. De använde sig av en teknik som dels fokuserar på att samla in datapunkter för att skapa en överblick av cellstrukturen, dels söker specifikt efter information om cellens kärna, så kallad privilegierad information. Tack vare detta är det möjligt att hoppa över infärgningen av celler och direkt få en förståelse för hur cellen är uppbyggd och reagerar på nya läkemedel.

En avgörande faktor i arbetet har varit tillgången till AI Swedens datafabrik, vilken innefattar en av Nordens kraftigaste datorer. Datan kommer att tillgängliggöras här för relevanta aktörer inom kort.

Laguppställning HASTE Team

Philip J Harrison, Uppsala Universitet
Håkan Wieslander, Uppsala Universitet
Ankit Gupta, Uppsala Universitet
Ebba Bergman, Uppsala Universitet
Erik Hallström, Uppsala Universitet