Razdoblje između identificiranja potencijalnog terapeutskog spoja i odobrenja FDA (Uprava za hranu i lijekove) za novi lijek može potrajati više desetljeća i koštati više od milijardu dolara. Istraživački tim na CUNY Graduate Centeru kreirao je model umjetne inteligencije koji bi mogao značajno poboljšati točnost i smanjiti i vrijeme i troškove procesa razvoja lijeka. Model je opisan u nedavno objavljenom radu u časopisu Nature Machine Intelligence. Novi model, nazvan CODE-AE, može pregledati spojeve novih lijekova kako bi se točno predvidjela učinkovitost kod ljudi. U testovima također postoji mogućnost teoretskog identificiranja personaliziranih lijekova za više od 9000 pacijenata kako bi se bolje mogli liječiti njihovi simptomi bolesti. Istraživači očekuju da će tehnika značajno ubrzati otkrivanje novih lijekova i razvoj precizne medicine.

Točno predviđanje specifičnog odgovora pacijenta na novi kemijski spoj ključno je za otkrivanje sigurne i učinkovite terapije i odabir postojećeg lijeka za određenog pacijenta. Međutim, neetično je i neizvedivo provoditi rano ispitivanje učinkovitosti lijeka izravno na ljudima. Modeli stanica ili tkiva često se koriste kao surogat ljudskog tijela za procjenu terapeutskog učinka molekule lijeka. Nažalost, učinak lijeka u modelu bolesti često nije u korelaciji s učinkovitošću i toksičnošću lijeka kod ljudi. Ovaj jaz u znanju glavni je čimbenik visokih troškova i niske stope otkrivanja novih lijekova.

Novi model strojnog učenja može pomoći u translaciji s modela bolesti na ljude. CODE-AE koristi znanja iz biologije i koristi nekoliko nedavnih dostignuća u strojnom učenju. Na primjer, jedna od njegovih komponenti koristi slične tehnike u stvaranju slike Deepfake.

Novi model može ponuditi zaobilazno rješenje problema posjedovanja dovoljne količine podataka o pacijentima za treniranje generaliziranog modela strojnog učenja.