Personalized Medicine with Artificial Intelligence


Share this article

การรักษาผู้ป่วยที่มีโรคเดียวกันมักจะใช้ยาชนิดเดียวกัน แต่เมื่อรักษาด้วยวิธีการเดียวกันแล้วผลการรักษาอาจแตกต่างกัน หนึ่งในเหตุผลเนื่องมาจากผู้ป่วยแต่ละคนมีคุณลักษณะเฉพาะตัว ดังนั้นจึงนำวิธีที่เรียกว่า “Personalized Medicine” มาปรับใช้ในการรักษา

Personalized Medicine คืออะไร

Personalized Medicine เป็นการเลือกลักษณะการรักษา และการจ่ายยาให้เหมาะสมกับผู้ป่วยหรืออาการ วิธีการนี้ได้รับความนิยมมากขึ้นในปัจจุบัน โดยอาจเน้นคาดการณ์การตอบสนองต่อยา เพื่อให้สามารถจ่ายยาให้กับผู้ป่วยที่มีประวัติที่หลากหลาย จึงต้องมีการศึกษาข้อมูลของผู้ป่วยและความสัมพันธ์ของคุณสมบัติผู้ป่วย เพื่อให้สามารถทำนายการตอบสนองของยา วิธีการนี้ได้ถูกนำมาใช้ในการเลือกแนวทางการรักษาโรคที่มีความซับซ้อน เช่น โรคเบาหวาน มะเร็ง หัวใจ หรือ โรคทางจิตเวช โดยจะขึ้นอยู่กับ พันธุกรรม และประวัติทางการแพทย์ จึงจำเป็นต้องมีการเก็บข้อมูลเกี่ยวกับประวัติของผู้ป่วย เช่น อายุ น้ำหนัก ความดันเลือด ฯลฯ

ทั้งนี้มีการนำ Database ที่มีขนาดใหญ่มาใช้ในการเก็บข้อมูลทั้งหมด ซึ่งข้อมูลมัก Unstructured และ Inhomogeneous จึงมีการนำเทคโนโลยีเข้ามาช่วยในการประมวลผลและทำนาย ตัวอย่างเช่น ข้อมูลของโรคมะเร็งเรียกว่า Omic Data ซึ่งประกอบด้วยข้อมูลหลายประเภท เช่น Tumor Mutations, Transcriptomes, Methylomes, Proteomes และ Microbiomes ซึ่งข้อมูลทั้งหมดสามารถนำมาประกอบการวินิจฉัย และจัดการกับโรคมะเร็ง โดยเทคโนโลยีที่ถูกนำมาใช้ในการพัฒนาแบบจำลองการทำนาย คือ Artificial Intelligence (AI)

Artificial Intelligence (AI)

AI เป็นระบบที่มีความสามารถในการรับรู้ เรียนรู้ และให้ข้อมูลประกอบการตัดสินใจ ผ่านการวิเคราะห์ข้อมูลที่เกี่ยวข้อง รวมถึงสามารถอัพเดทข้อมูล เพื่อนำข้อมูลมาใช้ช่วยเลือกวิธีการรักษา ซึ่ง AI ที่ถูกนำมาใช้ในการพัฒนาแบบจำลองมีหลายประเภท เช่น Machine Learning (ML) หาความสัมพันธ์ระหว่างข้อมูลส่วนตัวของผู้ป่วยกับ Phenotype ของโรค และจัดการกับข้อมูลขนาดใหญ่ แต่ ML อาจไม่เหมาะสำหรับใช้งานกับ Personalized Data ที่มี Dimension ที่ซับซ้อน จึงมีการใช้ Deep Learning (DL) เพราะสามารถจัดการกับข้อมูลความซับซ้อนระดับสูงและหลายมิติ รวมถึงหาลักษณะเฉพาะที่สำคัญ มีหลากหลายเทคนิคที่สามารถนำมาใช้เพื่อพัฒนาการทำนายการตอบสนอง เช่น Recurrent Neural Networks, Deep Belief Networks หรือ AutoEncoders เป็นต้น โดยนำไปประยุกต์ใน Biomedicine เช่น Drug Discovery, Drug Repositioning

การใช้ Personalized Medicine สำหรับการพัฒนาการรักษา

Personalized Medicine มีการนำ Machine Learning และ Deep Learning มาใช้ เพื่อเรียนรู้การทำงานของยา ทำนายลักษณะของโรค และวางแผนการรักษาให้มีประสิทธิภาพมากขึ้น สำหรับการพัฒนายา โดยใช้เทคโนโลยี AI มีหลากหลายประเภท อาทิ

  • Drug Repositioning ศึกษาการออกฤทธิ์เชิงรักษาแบบใหม่ ๆ ของยาที่มีอยู่ในท้องตลาด ผ่านการเรียนรู้ข้อมูลการแสดงออกของยีนและโครงสร้างยาหลากหลายประเภท วิธีการนี้ช่วยย่นระยะเวลาในการค้นหาและพัฒนา เนื่องจากไม่ต้องผ่านขั้นตอนขั้นต้นของ Target Validation, Hit Identification หรืออาจรวมถึง In Vitro and Animal Testing
  • Drug Sensitivity and Drug Combination ทำนายการตอบสนองของอาการต่อยา และมีการพัฒนาโมเดลที่ช่วยในการวิเคราะห์ความซับซ้อนของเครือข่ายยา และการแสดงออกของยีน เพื่อดูความเชื่อมโยงระหว่างยากับการออกฤทธิ์ระดับยีน
  • Drug Discovery เป็นการพัฒนาอีกรูปแบบนึงที่ทำการค้นหายาชนิดใหม่ โดยการเรียนรู้ความสัมพันธ์ระหว่างคุณสมบัติทางเคมี และกิจกรรมทางชีวภาพ มีการนำเทคโนโลยีเข้ามาช่วยในการเรียนรู้เพื่อสร้างโครงสร้างโมเลกุลใหม่ หรือค้นหาโมเลกุลที่ดีกว่าเพื่อใช้ในการรักษาหรือบรรเทา

ในที่นี้จะเน้นอธิบายเกี่ยวกับการพัฒนายาแบบ Drug Combination โดยจะทำนาย Synergistic Effect ของยาสองชนิด ซึ่งสามารถนำโมเดลเข้ามาช่วยในการทำนาย เพื่อลดระยะเวลาการค้นหา

รูปภาพนี้แสดงถึงขั้นตอน Personalized Medicine ที่นำไปสู่การเลือกแนวทางการรักษาที่เหมาะสมให้กับผู้ป่วยแต่ละคน

Drug Combination

สำหรับตัวเลือกแรกในการรักษา ส่วนมากจะรักษาด้วยยาเพียงชนิดเดียว ตัวอย่างเช่น เมื่อเรารู้สึกปวดหัวก็จะกินยาแก้ปวด เพื่อบรรเทาอาการปวดนั้น ซึ่งการทานยาชนิดเดียวอาจจะไม่ช่วยบรรเทาอาการได้กรณีผู้ป่วยเป็นโรคที่มีความซับซ้อน หรือถ้าหากทานยาชนิดหนึ่ง ๆ ติดต่อกันเป็นเวลานานก็อาจเกิดการเป็นพิษได้ นอกจากนี้การเพิ่มปริมาณของยาให้มากขึ้นอาจก่อให้เกิดอาการดื้อยา ดังนั้นจึงมีการศึกษา Drug Combination เพื่อเพิ่มทางเลือกในการรักษา โดยข้อดีของการใช้ Drug Combination ในการรักษา คือยาปฏิชีวนะหลายตัวสามารถออกฤทธิ์ร่วมกันต่ออาการที่มีความซับซ้อน และส่งผลกับสาเหตุของอาการที่เกิดจากหลากหลาย Pathways อนึ่ง Drug Combination คือการผสมยาระหว่าง 2 ชนิดหรือมากกว่า เนื่องจากยาแต่ละชนิดมีคุณสมบัติเฉพาะตัว เมื่อยาเหล่านั้นมารวมกันอาจมีการออกฤทธิ์ร่วมในเชิงเสริมฤทธิ์ ซึ่งการผสมยาสามารถเกิดผลได้ 3 ประเภท คือ

  1. Synergistic Effect คือ Effect ของยาทั้งสองหรือมากกว่าเมื่อจ่ายร่วมกัน จะได้ค่ามากกว่าผลรวมของ Effect แต่ละยามารวมกัน ซึ่งหมายความว่าให้ผลลัพธ์ที่ดีกว่าการรักษาด้วยยาเพียงชนิดเดียว
  2. Additive Effect คือ Effect ของยาทั้งสองหรือมากกว่าเมื่อจ่ายร่วมกัน มีค่าเท่ากันผลรวมของ Effect แต่ละยามารวมกัน ซึ่งหมายความว่าไม่มีการออกฤทธิ์แบบเสริมกัน หรือเท่ากับว่าไม่ต่างกับการให้ยาแต่ละชนิดแบบ Sequential
  3. Antagonistic Effect คือ Effect ของยาทั้งสองหรือมากกว่าเมื่อจ่ายร่วมกัน มีค่าน้อยกว่าผลรวมของ Effect แต่ละยามารวมกัน ซึ่งหมายความว่าการใช้ยาร่วมกันแย่ต่อการรักษากว่าการเลือกใช้ยาชนิดใดชนิดนึง

ในการทำนายการออกฤทธิ์ Drug Combination อาจประเมินผ่าน Synergy Score เพื่อระบุว่าการจ่ายยาร่วมกันนั้นเสริมฤทธิ์ หรือเป็นปฏิปักษ์กัน โดยคะแนนดังกล่าวคำนวณได้จากผลลัพธ์การออกฤทธิ์ควบคู่จากการทดลองจริงเทียบกับโมเดลอ้างอิง (Reference Model) ได้แก่ Highest Single Agent (HSA), Bliss, Loewe, Zero Interaction Potency (ZIP) สำหรับอาการเจ็บป่วยหลายชนิด อาจนำ Drug Combination มาช่วยประกอบการเลือกวิธีรักษาได้ โดยขั้นต้นมีการศึกษาเพื่อใช้ในการรักษาของโรคมะเร็งเป็นหลัก เนื่องจากโรคมะเร็งมีฐานข้อมูลจำนวนมาก

READ  กระบวนการ 1 Cycle Policy
Reference
https://www.aiforall.or.th
https://www.researchgate.net/publication/326884617_Learning_for_Personalized_Medicine_A_Comprehensive_Review_From_a_Deep_Learning_Perspective
https://journals.plos.org/ploscompbiol/article?id=10.1371/journal.pcbi.1006752

Share:

ลงทะเบียนรับข่าวสาร

ไม่พลาดทุกการอัพเดทจาก Big Data Experience Center

Big Data Experience Center (BX)

ชั้น 14 อาคาร Knowledge Exchange Center (KX)
110/1 ถนนกรุงธนบุรี, แขวงบางลำภูล่าง เขตคลองสาน กรุงเทพฯ 10600
อีเมล์: [email protected]
Tel: 097-941-9889

ABOUT

SERVICES