Forscher zielen darauf ab, die Geschwindigkeit der Arzneimittelentdeckung durch Berechnung der Bindungseffizienz mit KI zu steigern

Forscher vom MIT haben kürzlich eine neue KI-gesteuerte Technik entwickelt, um die Entdeckung von Arzneimitteln durch die Erhöhung der Geschwindigkeit von Berechnungen zur Beurteilung der molekularen Bindungsaffinität eines Arzneimittels zu beschleunigen.

Ein Arzneimittel muss in der Lage sein, an Proteine zu binden, um die Aufgabe, für die es entwickelt wurde, auszuführen. Die Beurteilung der Fähigkeit eines Arzneimittels, an Proteine zu binden, ist ein wichtiger Teil des Arzneimittelentdeckungs- und -screeningprozesses, und maschinelle Lernalgorithmen könnten die Zeit, die für die Beurteilung dieses wichtigen Arzneimittelmerkmals aufgewendet wird, reduzieren.

Das MIT-Forschungsteam, das für die Entwicklung der neuen Arzneimittelbewertungstechnik verantwortlich ist, nennt es DeepBAR. DeepBAR kombiniert maschinelle Lernalgorithmen mit traditionellen chemischen Berechnungen. DeepBAR berechnet das Bindungspotenzial eines gegebenen Arzneimittelkandidaten und dessen Zielproteine. Die neue Analysetechnik liefert Schätzungen des Bindungspotenzials eines Arzneimittels wesentlich schneller als traditionelle Methoden zur Beurteilung von Bindungsaffinitäten, und es wird gehofft, dass die Technik die Geschwindigkeit der Arzneimittelentdeckung erhöhen kann.

Das Bindungspotenzial eines Arzneimittels wird durch eine Kennzahl namens Bindungsfreie Energie quantifiziert, wobei ein kleinerer Wert ein größeres Bindungspotenzial anzeigt. Ein niedriger Bindungsfreie-Energie-Wert bedeutet, dass ein Arzneimittel eine gute Fähigkeit hat, mit anderen Molekülen zu konkurrieren, ihre Rollen zu übernehmen und die normale Funktion eines Proteins zu stören. Es gibt eine hohe Korrelation zwischen der Bindungsfreien Energie eines Arzneimittelkandidaten und der Wirksamkeit des Arzneimittels. Es ist jedoch schwierig, die Bindungsfreie Energie zu messen.

Es gibt zwei typische Methoden, um die freie Bindungsenergie zu messen. Eine Methode besteht darin, die genaue Menge an Bindungsfreier Energie zu berechnen, während die andere Methode die Menge an Bindungsfreier Energie schätzt. Schätzungen sind weniger rechenintensiv als genaue Messungen, aber sie haben natürlich einen Kompromiss in der Genauigkeit.

Die DeepBAR-Methode benötigt nur einen Bruchteil der Rechenleistung von genauen Messmethoden, aber liefert sehr genaue Schätzungen der Bindungsenergien. DeepBAR verwendet den “Bennett-Akzeptanzquotienten”, der normalerweise zur Berechnung der Bindungsfreien Energie verwendet wird. Der Bennett-Akzeptanzquotient erfordert die Verwendung von zwei Basis-/Endzuständen und einer Vielzahl von Zwischenzuständen (die Zustände der partiellen Bindung sind). Der DeepBAR-Ansatz versucht, die Anzahl der Berechnungen zu reduzieren, die zur Schätzung der Bindungsenergien erforderlich sind, indem der Bennett-Akzeptanzquotient zusammen mit maschinellen Lernalgorithmen und tiefen generativen Modellen verwendet wird. Die maschinellen Lernalgorithmen generieren einen Referenzpunkt für jeden Endpunkt, und diese Endpunkte sind genau genug, um den Bennett-Akzeptanzquotienten zu verwenden.

Das von dem MIT-Forschungsteam entwickelte tiefe generative Modell basiert auf Computer-Vision-Techniken. Im Wesentlichen behandelt DeepBAR jede molekulare Struktur, die es analysiert, als Bild und analysiert die Merkmale des “Bildes”, um daraus zu lernen. Das Forschungsteam musste leichte Änderungen an dem Algorithmus vornehmen, um die Analyse der 3D-Strukturen zu ermöglichen, da Computer-Vision-Algorithmen normalerweise auf 2D-Bildern operieren.

In den ersten Tests konnte DeepBAR die Bindungsfreie Energie etwa 50-mal schneller berechnen als traditionelle Techniken. Es gibt jedoch noch Arbeit zu leisten, um das Modell zu verbessern. Es muss gegen komplexere, experimentelle Daten validiert werden als die ziemlich einfachen Daten, auf denen es ursprünglich getestet wurde, die einfache Daten beinhalteten. Das MIT-Forschungsteam zielt darauf ab, DeepBARs Fähigkeit zur Berechnung der Bindungsenergien für große Proteine zu verbessern, indem es das Modell mit aktuellen Fortschritten in der Informatik verfeinert.

DeepBAR ist weit entfernt von dem ersten Versuch, KI auf die Arzneimittelentdeckungspipeline anzuwenden, um die Geschwindigkeit der Arzneimittelentdeckung zu erhöhen. Viele andere Forschungsprojekte haben auch KI verwendet, um Aspekte der Arzneimittelentdeckungspipeline zu automatisieren und ihre Effizienz zu verbessern. Es könnte jedoch eine natürliche Flaschenhals sein, der die Wirksamkeit dieser Strategien begrenzt.

Wie Derek Lowe kürzlich in einem Blog auf ScienceMag.org argumentierte, wenn das Ziel darin besteht, die Geschwindigkeit der Arzneimittelentdeckung zu erhöhen, ist es wichtig, “die richtigen Probleme anzugreifen”. Die Bewertung der klinischen Wirksamkeit und Sicherheit von Arzneimitteln dauert eine erhebliche Zeit, und es ist schwierig, Wege zu finden, um KI zu verwenden, um die klinischen Ausfallraten zu reduzieren. Letztendlich könnte es eine untere Grenze für die Zeit geben, die KI-Methoden bei der Arzneimittelentdeckung einsparen können, zumindest bis KI sinnvoll in den klinischen Bewertungsprozess integriert werden kann. Dennoch sind Verbesserungen Verbesserungen, und je mehr Forschung wie DeepBAR durchgeführt wird, desto mehr Zeit haben Wissenschaftler, um Wege zu finden, KI in anderen Bereichen der Arzneimittelentdeckungspipeline zu verwenden.