AI-forskere udvikler metode til at genbruge eksisterende lægemidler til at bekæmpe Covid-19

Et internationalt hold af forskere har anvendt AI-modeller til at finde allerede eksisterende lægemidler, der kan behandle Covid-19 hos ældre patienter. Forskerholdet anvendte autoencoder-modeller på lægemidler, der allerede er på markedet, med det formål at finde fælles træk i ændringer i genudtryk, forårsaget af både naturlig aldring og Covid-19.

Som forklaret af studiets medforfatter, computational biolog ved MIT, Caroline Uhler, er problemet med at udvikle nye lægemidler til at bekæmpe Covid-19, at lægemiddeludviklingsprocessen kan tage år. AI er allerede blevet anvendt til at opdage nye lægemidler, og finder nye formuleringer for terapeutiske lægemidler meget hurtigere end traditionelle lægemiddeludviklingsmetoder. Desværre er selv den relativt hurtige hastighed, hvormed lægemidler kan opdages ved hjælp af AI, stadig langt for langsom til situationer som Covid-19-pandemien. Det er langt mere ekspeditivt at genbruge eksisterende lægemidler.

For at finde et lægemiddel, der kan bekæmpe effekterne af Covid-19 hos ældre befolkninger, sårede forskerne på gener, der undergik ændringer under både normal aldring og når de var påvirket af Covid-19-virus.

Covid-19 antages at bruge visse celleveje, især inflammatoriske veje, til at replikere. Det er også kendt, at effekterne af Covid-19 er langt værre hos ældre befolkninger end hos yngre befolkninger. Derudover er åndedssystemerne hos ældre karakteriseret ved ændringer i vævsstivhed. Givet disse kendsgerninger, sårede forskerne efter gener, der blev ændret af både aldring og Covid-19, med det formål at finde lægemidler, der interagerer positivt med disse gener.

Forskerholdet anvendte en tretrinsproces til at finde gener, der er fælles for begge veje. I den første fase af forskningen anvendte holdet en autoencoder til at generere en liste over kandidat-lægemidler. Dette blev gjort ved at lade autoencoderen analysere to datasæt af genudtryksmønstre, og vælge de lægemidler, der syntes at reducere virusets samlede effekt. Resultatet var en liste over kandidat-lægemidler og deres tilhørende interaktioner med proteiner i både aldrings- og infektionsveje. Efterfølgende tog forskerne listen over kandidat-lægemidler og kortlagde interaktionerne mellem proteiner og de to forskellige veje, og producerede et kort over proteininteraktioner for begge. Forskerne sammenlignede derefter de to proteininteraktionskort for at finde områder med overlap. Dette ledte til opdagelsen af et genudtryksnetværk, som lægemidler burde målrette for at reducere sværhedsgraden af Covid-19 hos ældre patienter.

I den endelige fase af forskningsprojektet anvendte holdet statistiske metoder til at bestemme årsagssammenhæng inden for de kortlagte netværk. Ved hjælp af denne metode kunne de bestemme de præcise gener, som et lægemiddelkandidat burde interagere med for at reducere sværhedsgraden af en Covid-19-infektion mest effektivt.

Ifølge resultaterne af deres analyse var RIPK1-genet den del af genomet, der ansås for at være mest egnede til at målrette med Covid-19-terapilægemidler. Nogle af de kandidat-lægemidler bruges til at behandle kræft. Andre kandidat-lægemidler er allerede under testning af medicinske institutter til at behandle Covid-19.

Forskerholdet bemærker, at dette kun er det første skridt i at bestemme, hvilke lægemidler der kan genbruges til behandling af Covid-19. Omfattende in vitro-eksperimenter og kliniske forsøg må udføres for at bestemme, om lægemidlerne virkelig er effektive. Men hvis tilgangen viser sig at være succesfuld, kan den anvendes til at finde effektive lægemidler til andre tilstande.

Ifølge forskerholdet skriver:

“Selvom vi anvender vores computermæssige platform i sammenhæng med SARS-CoV-2, integrerer vores algoritmer data-modaliteter, der er tilgængelige for mange sygdomme, og gjorde dem dermed bredt anvendelige.”