Fler-omik funktionsextraktion driven av biomedicinska foundation-modeller förbättrar prognoser för läkemedelsrespons hos patienter med inflammatorisk tarmsjukdom

Varför denna forskning betyder något för patienter

Personer med inflammatorisk tarmsjukdom (IBD) möter ofta en frustrerande prov-och-fel-process när de börjar med nya läkemedel. Samma preparat kan dämpa en svår tarminflammation hos en patient men knappt ge effekt hos en annan. Denna studie undersöker hur kraftfulla nya artificiella intelligens (AI)-modeller, ursprungligen utvecklade för att förstå biologi i mycket stor skala, kan återanvändas för att utvinna mycket mer information från små patientdatamängder. Målet är enkelt men ambitiöst: att använda varje persons genetiska och molekylära profil för att i förväg förutsäga hur väl hen kommer att svara på ett vanligt IBD-läkemedel.

Att använda stor-AI för små studier

Traditionella medicinska AI-verktyg har svårt när patientantalet är litet, även om varje patient är djupgående mätt. I detta arbete vänder forskarna på problemet genom att låna kunskap från en enorm "foundation-modell" kallad MAMMAL, ursprungligen tränad på omfattande samlingar av protein- och läkemedelsdata. Istället för att träna om modellen använder de den som en smart kalkylator för att uppskatta hur starkt ett givet läkemedel binder till tusentals mänskliga proteiner. Dessa bindningsstyrkescore blir nya, informationsrika egenskaper som kan matas in i mer blygsamma maskininlärningsmodeller anpassade till de 51 IBD-patienterna i studien.

Inblick i tarmen: DNA och RNA

Teamet arbetade med vävnadsprover tagna från inflammerade tarmar hos personer med ulcerös kolit eller Crohns sjukdom. Från varje prov mätte de två huvudlager av biologi: DNA, med fokus på små genetiska förändringar kallade SNP:er, och RNA, som speglar hur aktivt varje gen är i vävnaden. De exponerade också vävnaden för prednisolon, en vanlig förstahandssteroidbehandling för IBD, och mätte hur mycket en viktig inflammatorisk signal kallad TNFα minskade som svar. Denna förändring i TNFα användes som en indikator på hur väl patientens vävnad svarade på läkemedlet. Utmaningen var att koppla tusentals genetiska och molekylära mätvärden till detta läkemedelssvar.

Lära modeller vad de ska fokusera på

Det första steget var att bestämma vilka proteiner och gener modellerna borde bry sig mest om. Med hjälp av foundation-modellen uppskattade forskarna hur hårt prednisolon skulle binda till mer än 11 000 mänskliga proteiner och fokuserade sedan på de topp 5 procent med starkast förutsagd bindning. Uppmuntrande nog inkluderade denna korta lista läkemedlets kända mål och proteiner involverade i kemisk registrering och signalering, vilket tyder på att AI:ns rangordning var biologiskt rimlig. De kombinerade sedan denna lista med varje patients DNA-förändringar, skapade personliga "muterade" proteinsekvenser och beräknade på nytt hur varje mutation eventuellt kunde försvaga eller stärka prednisolonbindningen. Dessa förutsagda skiftningar i bindningsstyrka blev kompakta, patient-specifika egenskaper som fångar hur varianter i nyckelproteiner kan förändra läkemedlets verkan.

Att blanda genetiska signaler med genaktivitet

Nästa steg var att lägga till genaktivitetsdata från RNA-mätningarna, tagna från samma tarmvävnad som användes i läkemedelstesterna. För varje prioriterat protein parade de dess förutsagda bindningsstyrka med aktiviteten hos motsvarande gen, och multiplicerade också de två för att skapa ett "interaktionsläge" som reflekterar både hur starkt läkemedlet förväntas binda och hur mycket målproteinet finns närvarande. Maskininlärningsmodeller tränade på dessa berikade egenskaper var bättre på att skilja mellan prover som svarade väl på prednisolon och de som inte gjorde det, jämfört med modeller som använde enklare representationer av samma DNA-data. Några av de mest inflytelserika egenskaperna pekade på familjer av luktrelaterade receptorer och en receptor involverad i den dämpande hjärnsignalen GABA, vilket antyder underskattade roller för dessa proteiner i tarminflammation och steroidrespons.

Göra komplexa verktyg användbara för icke-experter

Bortom biologin tog forskarna också itu med en praktisk barriär: de flesta laboratorier saknar den beräkningskompetens som krävs för att köra stora foundation-modeller. För att hantera detta paketade de sitt arbetsflöde för bindningsaffinitet i en öppen Model Context Protocol (MCP)-server som kan anropas direkt av AI-assistenter som Claude eller ChatGPT. Med denna lösning kan en forskare be, på enkelt språk, om förutsagd bindning mellan ett läkemedel och en uppsättning proteiner, och systemet sköter de tekniska stegen i bakgrunden. Detta sänker tröskeln för andra att utforska liknande frågor om personaliserad läkemedelsrespons med sina egna data.

Vad detta betyder för framtida behandlingsval

I praktiska termer visar detta arbete hur en enda, kraftfull AI-modell tränad på stora offentliga datamängder kan hjälpa små, verkliga patientstudier att ge mer än sin storlek skulle föreslå. Genom att omvandla råa DNA-förändringar och genaktivitet till rikare, biologi-medvetna egenskaper förbättrade författarna noggrannheten i modeller som förutser vem som sannolikt drar nytta av prednisolon. Resultaten är fortfarande tidiga och baserade på ett begränsat antal patienter, så de specifika gen–läkemedelskopplingarna de lyfter fram behöver ytterligare prövning. Men den övergripande strategin — att använda foundation-modeller som smarta funktionsgeneratorer och göra dem tillgängliga via enkla gränssnitt — pekar mot en framtid där läkare kan använda flerskiktade molekyltester, tolkade genom AI, för att välja rätt läkemedel och dos till varje person med IBD.

Citering: Gardiner, LJ., Kelly, J., Evans, A. et al. Multi-omics feature engineering driven by biomedical foundation models improves drug response prediction for inflammatory bowel disease patients. Sci Rep 16, 13820 (2026). https://doi.org/10.1038/s41598-026-44366-y

Nyckelord: inflammatorisk tarmsjukdom, prognos för läkemedelsrespons, biomedicinska foundation-modeller, fler-omik, personlig medicin