Se ha publicado en la revista Aging un nuevo artículo de investigación titulado » Modelo de lenguaje transformador basado en entrenamiento previo generativo biomédico para el descubrimiento de objetivos de enfermedades relacionadas con la edad » .
El descubrimiento de objetivos es crucial para el desarrollo de terapias y diagnósticos innovadores. Sin embargo, los enfoques actuales a menudo enfrentan limitaciones en cuanto a eficiencia, especificidad y escalabilidad, lo que requiere la exploración de estrategias novedosas para identificar y validar objetivos relevantes para la enfermedad. Los avances en el procesamiento del lenguaje natural han brindado nuevas vías para predecir posibles objetivos terapéuticos para diversas enfermedades.
En su nuevo estudio, los investigadores Diana Zagirova, Stefan Pushkov, Geoffrey Ho Duen Leung, Bonnie Hei Man Liu, Anatoly Urban, Denis Sidorenko, Aleksandr Kalashnikov, Ekaterina Kozlova, Vladimir Naumov, Frank W. Pun, Ivan V. Ozerov, Alex Aliper, y Alex Zhavoronkov de Insilico Medicine presentan un enfoque novedoso para predecir objetivos terapéuticos utilizando un modelo de lenguaje grande (LLM).
«Entrenamos un modelo BioGPT de dominio específico en un gran corpus de literatura biomédica que consiste en textos de subvenciones y desarrollamos un proceso para generar predicciones de objetivos», explican los investigadores.
Este estudio demuestra que el entrenamiento previo del modelo LLM con textos de tareas específicas mejora su rendimiento. Aplicando el proceso desarrollado, los investigadores recuperaron posibles objetivos de envejecimiento y enfermedades relacionadas con la edad y demostraron que estas proteínas se corresponden con los datos de la base de datos. Además, proponen CCR5 y PTH como posibles nuevos objetivos antienvejecimiento y enfermedades de doble propósito que no se habían identificado previamente como relacionados con la edad, pero que ocupaban un lugar destacado en su enfoque.
«En general, nuestro trabajo destaca el alto potencial de los modelos de transformadores en la predicción de objetivos novedosos y proporciona una hoja de ruta para la futura integración de enfoques de IA para abordar los complejos desafíos presentados en el campo biomédico», resume el equipo.
Más información:
- Diana Zagirova et al, Biomedical generative pre-trained based transformer language model for age-related disease target discovery, Aging (2023). DOI: 10.18632/aging.205055
