Vědci cílí na urychlení objevu léků výpočtem vazebních účinností pomocí AI

Vědci z MIT nedávno vyvinuli novou techniku poháněnou AI, která urychluje objev léků zvýšením rychlosti výpočtů používaných k hodnocení vazebné afinitě léku.

Lék musí být schopen přilnout k proteinům, aby mohl plnit úkoly, pro které byl navržen. Hodnocení schopnosti léku přilnout k proteinům je významnou součástí procesu objevu a screeningu léků a techniky strojového učení mohou snížit dobu strávenou hodnocením tohoto důležitého 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 vazebný potenciál kandidátního léku a jeho cílových proteinů. Nová analytická technika poskytuje odhady vazebné schopnosti léku podstatně rychleji než tradiční metody používané k hodnocení vazebných afinit, a doufá se, že tato technika může urychlit objev léků.

Vazebný potenciál léku je kvantifikován pomocí metriky nazývané vazebná volná energie, kde menší číslo indikuje větší vazebný 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 bastante 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 určitou nepřesnost.

Metoda DeepBAR používá zlomek výpočetní moci přesných měřicích metod, ale poskytuje vysoce přesné odhady vazebných energií. DeepBAR využívá “Bennettovu akceptační poměr”, který je algoritmus typicky používaný k výpočtu vazebné volné energie. Bennettův akceptační poměr vyžaduje použití dvou základních/stavových stavů a různých mezistavů (které jsou stavy částečného vazebného stavu). Přístup DeepBAR se snaží snížit počet výpočtů potřebných k odhadu vazebných energií pomocí Bennettova akceptačního poměru spolu s rámci strojového učení a hlubokými generativními modely. Modely strojového učení generují referenční stav pro každý stavový bod a tyto stavové body jsou dostatečně přesné, aby umožnily použití Bennettova akceptačního poměru.

Hluboký generativní model navržený týmem výzkumníků z MIT je založen na technikách počítačového vidění. V podstatě, DeepBAR zachází s každou molekulární strukturou, kterou analyzuje, jako s obrazem, analyzujícím rysy “obrázku”, aby se z nich něco naučil. Výzkumný tým musel provést malé změny v algoritmu, aby umožnil analýzu 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 nějakou 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 vypočítat vazebné volné energie pro velké proteiny, zlepšováním modelu pomocí nedávných pokroků v počítačové vědě.

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

Podle názoru Dereka Lowe, který nedávno napsal na blogu ScienceMag.org, pokud je cílem urychlit objev léků, je důležité “útočit na správné problémy”. Hodnocení klinické účinnosti a bezpečnosti léků vyžaduje podstatné 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 rámci objevu léků, alespoň do té doby, než bude AI smysluplně integrováno do procesu klinické evaluace. Přesto, zlepšení jsou zlepšeními a čím více výzkumu, jako je DeepBAR, bude provedeno, tím více času budou mít vědci k úvahám o způsobech, jak použít AI v jiných oblastech procesu objevu léků, a to může nakonec urychlit objev léků a může save in terms of drug discovery, at least until AI can be meaningfully integrated into the clinical evaluation process. Nonetheless, improvements are improvements and the more research like DeepBAR is done, the more time scientists will have to consider ways to use AI in other areas of the drug discovery pipeline.