Vědci se snaží urychlit objevování léků výpočtem vazebních účinností pomocí AI

Vědci z MIT nedávno vyvinuli novou AI-poháněnou techniku, která urychluje objevování léků zvýšením rychlosti výpočtů používaných k hodnocení vazební afinitě molekuly léku.

Lék musí být schopen přilnout k proteinům, aby mohl vykonávat úkol, pro který byl navržen. Hodnocení schopnosti léku přilnout k proteinům je významnou součástí procesu objevování a screeningu léků a techniky strojového učení mohou snížit čas strávený hodnocením tohoto wichtního atributu léku.

Tým výzkumníků z MIT, který je zodpovědný za vývoj nové techniky hodnocení léků, ji nazývá DeepBAR. DeepBAR kombinuje algoritmy strojového učení s tradičními chemickými výpočty. DeepBAR vypočítává vazební potenciál kandidátního léku a jeho cílových proteinů. Nová analytická technika poskytuje odhady vazebních schopností léku podstatně rychleji než tradiční metody používané k hodnocení vazebních afinit, a doufá se, že tato technika může urychlit objevování léků.

Vazební potenciál léku je kvantifikován pomocí metriky nazývané vazebná volná energie, kde menší číslo indikuje větší vazební potenciál. Nízká vazebná volná energie znamená, že lék má velkou schopnost soutěžit s jinými molekulami, plnit jejich role a narušovat normální funkci proteinu. Existuje vysoká korelace mezi vazebnou volnou energií kandidátního léku a jeho účinností. Nicméně, měření vazebné volné energie může být poměrně obtížné.

Existují dvě typické metody používané k měření vazebné volné energie. Jedna metoda spočívá v výpočtu přesného množství vazebné volné energie, zatímco druhá metoda odhaduje množství vazebné volné energie. Odhady jsou méně výpočetně náročné než přesná měření, ale samozřejmě přinášejí kompromis v přesnosti.

Metoda DeepBAR používá zlomek výpočetní síly přesných měřících metod, ale poskytuje vysoce přesné odhady vazebných energií. DeepBAR využívá “Bennettova akceptačního poměru”, který je algoritmem typicky používaným k výpočtu vazebné volné energie. Bennettův akceptační poměr vyžaduje použití dvou základních/skoncových stavů a různých mezistavů (které jsou stavy částečného vázání). Přístup DeepBAR se snaží snížit počet výpočtů potřebných k odhadu vazebných energií pomocí Bennettova akceptačního poměru spolu se strojovými učebními rámci a hlubokými generativními modely. Modely strojového učení generují referenční stav pro každý konec a tyto konce jsou dostatečně přesné, aby mohla být nasazena Bennettova akceptační poměr.

Hluboký generativní model navržen týmem výzkumníků z MIT je založen na technikách počítačového vidění. V podstatě, DeepBAR považuje každou molekulární strukturu, kterou analyzuje, za “obrázek”, analyzující rysy “obrázku”, aby se z nich mohl učit. Výzkumný tým musel provést malé změny v algoritmu, aby jej přizpůsobil analýze 3D struktur, protože algoritmy počítačového vidění typicky fungují na 2D obrazech.

V počátečních testech, DeepBAR byl schopen vypočítat vazebnou volnou energii přibližně 50krát rychleji než tradiční techniky. Ještě je třeba udělat práci na modelu. Musí být ověřen proti složitějším, experimentálním údajům než poměrně jednoduchým údajům, na kterých byl inicializován, které zahrnovaly poměrně jednoduchá data. Tým výzkumníků z MIT se snaží vylepšit schopnost DeepBARu vypočítávat vazebné volné energie pro velké proteiny, zdokonalením modelu pomocí nedávných pokroků v počítačové vědě.

DeepBAR je daleko od prvního pokusu aplikovat AI na proces objevování léků s cílem zvýšit rychlost objevování léků. Mnoho dalších výzkumných projektů také použilo AI k automatizaci aspektů procesu objevování léků a zlepšení jejich efektivity. Nicméně, může existovat přirozená úzká místa, která omezují účinnost těchto strategií.

Jak nedávno argumentoval Derek Lowe v blogu na ScienceMag.org, pokud je cílem zvýšit rychlost objevování léků, je důležité “útočit na správné problémy”. Hodnocení klinické účinnosti a bezpečnosti léků vyžaduje značné množství času a najít způsoby, jak pomocí AI snížit klinické selhání, je obtížné. Nakonec, může existovat nižší hranice množství času, které metody AI mohou ušetřit v oblasti objevování léků, alespoň do té doby, než bude AI smysluplně integrována do klinického hodnocení procesu. Přesto, zlepšení jsou zlepšeními a čím více se provádí výzkum jako DeepBAR, tím více času budou mít vědci k tomu, aby mohli uvažovat o způsobech, jak použít AI v jiných oblastech procesu objevování léků.