Uutiset

Uusi tilastollinen malli ennustaa tehokkaasti lääkeaineiden toksisuutta

Tilastollisen komponenttimallin avulla voidaan päätellä yhteyksiä kemikaalien ja molekyylitason myrkyllisten vaikutusten välillä.
Komponenttimalli kuvaa tilastollisia yhteyksiä kemikaalien ja niiden aiheuttamien molekyylitason vaikutusten välillä. Kuva: Juuso Parkkinen, Aalto-yliopisto.

Aalto-yliopiston, Karoliinisen Instituutin ja Suomen molekyylilääketieteen instituutin (FIMM) tutkimus sisälsi yli 1300 tunnettua lääkemolekyyliä, joista oli saatavilla laajoja mittausaineistoja.

”Tutkimuksessa on yhdistetty systemaattisella datalähtöisellä analyysillä solulinjoista mitattuja lääkemolekyylien toksisuusmittauksia ja geenien aktivaatiota kuvaavia geeniekspressiovasteita. Toksisuus voi ilmetä solujen kasvua hillitsevänä tai soluja tuhoavana vaikutuksena. Tutkimuksessa kehitetty menetelmä mahdollistaa toksisuuden ennustamisen uusille molekyyleille aiempia menetelmiä tarkemmin, koska siinä on käytetty kehittyneitä tilastollisia menetelmiä sekä aiempaa suurempia data-aineistoja”, kertoo Aalto-yliopistosta tohtoriksi väitellyt Juuso Parkkinen.

Tällä hetkellä toksisuutta testataan pitkälti eläinkokeilla. Uuden menetelmän avulla eläinkokeita voidaan tulevaisuudessa korvata solulinjakokeiden ja tilastollisen mallinnuksen yhdistelmällä. Tämä säästäisi huomattavasti myös lääkekehityksen kustannuksia.

”Uutta ennustusmenetelmää voidaan soveltaa tuotekehitysvaiheessa oleviin uusiin lääkemolekyyleihin ja muihin kemikaaleihin, ja seuloa pois mahdolliset toksiset molekyylit”, täsmentää Parkkinen.

Tilastollisen koneoppimisen ja tekoälymenetelmien kehitys on noussut erittäin merkittävään rooliin monilla sovellusalueilla lääketieteellisen tutkimuksen lisäksi.

“Juuso Parkkinen on malliesimerkki Aalto-yliopiston tekoälytutkimuksen ja tohtorintutkinnon hyödyllisyydestä: hän teki tutkimusryhmässäni väitöskirjan lääketieteellisestä sovelluksesta ja siirtyi sitten Reaktorille soveltamaan datatiedettä monien erilaisten yritysten tarpeisiin”, kehuu Parkkisen väitöskirjaohjaaja, professori Samuel Kaski.

Lääkeaineiden toksisuutta tutkivat Juuso Parkkinen ja Samuel Kaski Aalto-yliopistolta, Pekka Kohonen, Egon Willighagen, Rebecca Ceder, Roland Grafström Karoliinisesta Instituutista sekä Krister Wennerberg Suomen molekyylilääketieteen instituutista.

Lisätietoa:                                           

Juuso Parkkinen
AI Designer and Senior Data Scientist
Reaktor
[email protected]
puh. 050 356 3916

Samuel Kaski
Professori
Aalto-yliopisto
[email protected]
puh. 050 305 8694

Julkaisu Nature Communications -lehdessä: A transcriptomics data-driven gene space accurately predicts liver cytopathology and drug-induced liver injury

  • Julkaistu:
  • Päivitetty:

Lue lisää uutisia

Professori Maria Sammalkorpi
Tutkimus ja taide Julkaistu:

Tutustu meihin: Professori Maria Sammalkorpi

Sammalkorpi on väitellyt tohtoriksi Teknillisestä korkeakoulusta vuonna 2004. Väiteltyään Sammalkorpi on toiminut tutkijana mm. Princetonin ja Yalen yliopistoissa sekä Aalto-yliopistossa.
Prinsessalle esitellään luonnollisia väriaineita
Yliopisto Julkaistu:

Thaimaan prinsessa Maha Chakri Sirindhorn vieraili Aalto-yliopistossa

Prinsessa seurueineen tutustui mm. tekstiilisuunnitteluun, Startup Saunaan, Aalto-yliopisto Junioriin sekä Aalto Ice Tankin toimintaan.
Kuva: Tima Miroschnichenko, Pexels.
Mediatiedotteet Julkaistu:

Tutkimus: Matalan hierarkian organisaatioissa isoja periaatekysymyksiäkin ratkotaan porukalla Slackissa

Aalto-yliopiston alumni, vieraileva tutkijatohtori Lauri Pietinalho New Yorkin yliopiston Sternin kauppakorkeakoulusta ja Aalto-yliopiston apulaisprofessori Frank Martela selvittivät tuoreessa tutkimuksessa, miten matalan hierarkian organisaatiot käsittelevät yhteisiä toimintaperiaatteita vastakkainasettelutilanteissa ja miten auktoriteetti niissä toimii.
bakteereja ohjataan magneettikentän avulla
Mediatiedotteet, Tutkimus ja taide Julkaistu:

Fyysikot saivat bakteerit uimaan lähes täydellisissä riveissä

Bakteerien ohjaaminen onnistui magneettikentän avulla. Löytö auttaa ymmärtämään bakteeripopulaatioiden käyttäytymistä ja voi jatkossa auttaa esimerkiksi kehittämään uuden sukupolven materiaaleja, joista kaavaillaan apua muun muassa lääkkeiden kohdennettuun kuljettamiseen kehon sisällä.