sobota, 29 kwietnia 2023

Valbenazyna łagodzi pląsawicę związaną z chorobą Huntingtona

Lek valbenazine statystycznie poprawia pląsawicę, zaburzenie ruchowe często związane z chorobą Huntingtona, w porównaniu z placebo, zgodnie z najnowszym międzynarodowym badaniem prowadzonym przez dr Erin Furr Stimming z UT Health Houston, która pełniła funkcję głównego badacza w imieniu KINECT-HD Huntington Study Group. Wyniki badania - które zostały dziś opublikowane online i pojawią się w drukowanym wydaniu The Lancet Neurology z czerwca 2023 r. - pojawiły się rok po tym, jak Furr Stimming, profesor neurologii i katedra Memorial Hermann w McGovern Medical School na UTHealth Houston, przedstawiła wczesny streszczenie wyników na dorocznym spotkaniu American Academy of Neurology 2022 w Seattle. Pozytywne wyniki badań przypominają nam, że jest powód do nadziei. Chorea związana z chorobą Huntingtona może negatywnie wpływać na jakość życia i niezależność funkcjonalną; dlatego konieczne jest zbadanie dodatkowych leków na ten charakterystyczny objaw ruchowy". Furr Stimming, dyrektor Huntington's Disease Society of America Center of Excellence w UTHealth Houston Neurosciences Badanie fazy III, randomizowane, podwójnie zaślepione, kontrolowane placebo KINECT-HD, w którym wzięło udział 128 uczestników, zostało zaprojektowane w celu oceny skuteczności walbenazyny jako leczenia raz dziennie w celu zmniejszenia pląsawicy związanej z chorobą Huntingtona, a także oceny bezpieczeństwa i tolerancji leku. Valbenazine jest selektywnym inhibitorem pęcherzykowego transportera monaminy 2 (VMAT 2), który nie został jeszcze zatwierdzony przez Amerykańską Agencję ds. Chorea jest mimowolnym, nieregularnym ruchem i główną cechą motoryczną choroby Huntingtona. W porównaniu z placebo, walbenzyna wykazała statystycznie istotne zmniejszenie objawów pląsawicy i poprawę ogólnego nasilenia pląsawicy u pacjentów z chorobą Huntingtona. Poprawę zaobserwowano już w drugim tygodniu badania, gdy uczestnicy ukończyli najniższą badaną dawkę (40 mg), z konsekwentnie większą poprawą w porównaniu z placebo we wszystkich kolejnych wizytach, gdy dawka była dostosowywana w odstępach czasu. Pod koniec 12-tygodniowego badania 82% uczestników leczonych walbenaziną przyjmowało dawkę 80 mg. Warto zauważyć, że badanie KINECT-HD było pierwszym badaniem fazy III, w którym zastosowano wskaźnik zdrowia w chorobie Huntingtona (HD-HI). HD-HI jest miarą wyników zgłaszanych przez pacjentów, zaprojektowaną w celu oceny klinicznie istotnych zmian w funkcjonowaniu choroby Huntingtona w odpowiedzi na interwencje terapeutyczne. Pacjenci, którzy otrzymywali walbenazinę, zgłaszali poprawę mobilności i funkcji rąk/ramion, a także zmniejszenie obciążenia związanego z nieprawidłowymi ruchami, w porównaniu z pacjentami, którzy otrzymywali placebo. "Jesteśmy niezmiernie wdzięczni uczestnikom i partnerom za ich zaangażowanie w to badanie" - powiedział Furr Stimming. W grudniu 2022 r. firma biofarmaceutyczna Neurocrine Biosciences złożyła do FDA uzupełniający wniosek o nowy lek dla valbenazyny w leczeniu pląsawicy związanej z chorobą Huntingtona. Oczekuje się, że organizacja odpowie na zgłoszenie do 20 sierpnia 2023 roku. Wyniki tego badania zostały uwzględnione w zgłoszeniu. Choroba Huntingtona jest rzadką, dziedziczną chorobą, która zwykle rozpoczyna się w wieku 30 lub 40 lat, powodując z czasem rozpad komórek nerwowych w mózgu. Około 40 000 osób żyjących w Stanach Zjednoczonych cierpi na tę śmiertelną chorobę, a kolejne 200 000 jest zagrożonych jej odziedziczeniem. Nie ma lekarstwa, ale leki oraz terapia fizyczna, logopedyczna i zajęciowa mogą pomóc w radzeniu sobie z objawami. Badanie KINECT-HD zostało przeprowadzone przez Huntington Study Group, globalną organizację non-profit, wraz z jej spółką zależną HSG Clinical Research, Inc. oraz we współpracy z Clinical Trials Coordination Center w University of Rochester Medical Center's Center for Health + Technology, przy wsparciu finansowym Neurocrine Biosciences.

piątek, 28 kwietnia 2023

Naukowcy wykorzystują uczenie maszynowe do identyfikacji „syntetycznych ekstremalnych” sekwencji DNA

Sztuczna inteligencja eksplodowała w naszych kanałach informacyjnych, a ChatGPT i powiązane technologie AI stały się przedmiotem szerokiej kontroli publicznej. Oprócz popularnych chatbotów, biolodzy znajdują sposoby na wykorzystanie sztucznej inteligencji do badania podstawowych funkcji naszych genów. Wcześniej naukowcy z Uniwersytetu Kalifornijskiego w San Diego, którzy badają sekwencje DNA włączające geny, wykorzystali sztuczną inteligencję do zidentyfikowania enigmatycznego elementu układanki związanego z aktywacją genów, fundamentalnym procesem związanym ze wzrostem, rozwojem i chorobami. Korzystając z uczenia maszynowego, rodzaju sztucznej inteligencji, profesor James T. Kadonaga ze School of Biological Sciences i jego koledzy odkryli region promotora rdzenia (DPR), "bramę" kodu aktywacji DNA, który jest zaangażowany w działanie nawet jednej trzeciej naszych genów. Opierając się na tym odkryciu, Kadonaga oraz badacze Long Vo ngoc i Torrey E. Rhyne wykorzystali teraz uczenie maszynowe do identyfikacji "syntetycznych ekstremalnych" sekwencji DNA o specjalnie zaprojektowanych funkcjach w aktywacji genów. Publikując w czasopiśmie Genes & Development, naukowcy przetestowali miliony różnych sekwencji DNA za pomocą uczenia maszynowego (AI), porównując element aktywacji genu DPR u ludzi i muszek owocowych (Drosophila). Korzystając ze sztucznej inteligencji, byli w stanie znaleźć rzadkie, dostosowane do potrzeb sekwencje DPR, które są aktywne u ludzi, ale nie u muszek owocowych i odwrotnie. Mówiąc bardziej ogólnie, podejście to można teraz wykorzystać do identyfikacji syntetycznych sekwencji DNA o aktywności, która może być przydatna w biotechnologii i medycynie. W przyszłości strategia ta może zostać wykorzystana do identyfikacji syntetycznych ekstremalnych sekwencji DNA o praktycznych i użytecznych zastosowaniach. Zamiast porównywać ludzi (warunek X) z muszkami owocowymi (warunek Y), moglibyśmy przetestować zdolność leku A (warunek X), ale nie leku B (warunek Y) do aktywacji genu. Metodę tę można również wykorzystać do znalezienia niestandardowych sekwencji DNA, które aktywują gen w tkance 1 (warunek X), ale nie w tkance 2 (warunek Y). Istnieją niezliczone praktyczne zastosowania tego podejścia opartego na sztucznej inteligencji. Syntetyczne ekstremalne sekwencje DNA mogą być bardzo rzadkie, być może jedna na milion; jeśli istnieją, można je znaleźć za pomocą sztucznej inteligencji". James T. Kadonaga, profesor, Wydział Biologii Molekularnej, Uniwersytet Kalifornijski w San Diego. Uczenie maszynowe to gałąź sztucznej inteligencji, w której systemy komputerowe nieustannie doskonalą się i uczą w oparciu o dane i doświadczenie. W nowych badaniach Kadonaga, Vo ngoc (były badacz podoktorancki UC San Diego, obecnie w Velia Therapeutics) i Rhyne (pracownik naukowy) wykorzystali metodę znaną jako regresja wektora wsparcia do "trenowania" modeli uczenia maszynowego z 200 000 ustalonych sekwencji DNA w oparciu o dane z rzeczywistych eksperymentów laboratoryjnych. Były to cele przedstawione jako przykłady dla systemu uczenia maszynowego. Następnie "wprowadzili" 50 milionów testowych sekwencji DNA do systemów uczenia maszynowego dla ludzi i muszek owocowych i poprosili je o porównanie sekwencji i zidentyfikowanie unikalnych sekwencji w dwóch ogromnych zbiorach danych. Podczas gdy systemy uczenia maszynowego wykazały, że sekwencje ludzi i muszek owocowych w dużej mierze się pokrywały, naukowcy skupili się na podstawowym pytaniu, czy modele sztucznej inteligencji mogą zidentyfikować rzadkie przypadki, w których aktywacja genów jest wysoce aktywna u ludzi, ale nie u muszek owocowych. Odpowiedź brzmiała "tak". Modelom uczenia maszynowego udało się zidentyfikować sekwencje DNA specyficzne dla ludzi (i muszek owocowych). Co ważne, przewidywane przez sztuczną inteligencję funkcje ekstremalnych sekwencji zostały zweryfikowane w laboratorium Kadonagi przy użyciu konwencjonalnych (mokrych) metod testowania. "Przed rozpoczęciem tej pracy nie wiedzieliśmy, czy modele sztucznej inteligencji są wystarczająco "inteligentne", aby przewidzieć aktywność 50 milionów sekwencji, w szczególności "ekstremalnych" sekwencji odstających o nietypowej aktywności. Jest to więc bardzo imponujące i dość niezwykłe, że modele sztucznej inteligencji mogły przewidzieć aktywność rzadkich, ekstremalnych sekwencji jeden na milion" - powiedział Kadonaga, który dodał, że przeprowadzenie porównywalnych 100 milionów mokrych eksperymentów laboratoryjnych, które przeanalizowała technologia uczenia maszynowego, byłoby zasadniczo niemożliwe, ponieważ każdy mokry eksperyment laboratoryjny trwałby prawie trzy tygodnie. Rzadkie sekwencje zidentyfikowane przez system uczenia maszynowego stanowią udaną demonstrację i przygotowują grunt pod inne zastosowania uczenia maszynowego i innych technologii sztucznej inteligencji w biologii. "W życiu codziennym ludzie znajdują nowe zastosowania dla narzędzi AI, takich jak ChatGPT. Tutaj zademonstrowaliśmy wykorzystanie sztucznej inteligencji do projektowania niestandardowych elementów DNA w aktywacji genów. Metoda ta powinna mieć praktyczne zastosowanie w biotechnologii i badaniach biomedycznych" - powiedział Kadonaga. "Mówiąc szerzej, biolodzy są prawdopodobnie na samym początku wykorzystywania możliwości technologii AI".