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

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

Ein Arzneimittel muss in der Lage sein, an Proteine zu binden, um die Aufgabe, für die es entwickelt wurde, auszuführen. Die Bewertung 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 Bewertung 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 Chemieberechnungen. DeepBAR berechnet das Bindungspotenzial eines gegebenen Arzneimittelkandidaten und dessen Zielproteine. Die neue Analysetechnik liefert Schätzungen der Bindungsfähigkeit eines Arzneimittels wesentlich schneller als traditionelle Methoden, die zur Bewertung der Bindungsaffinitäten verwendet werden, und es wird gehofft, dass die Technik die Geschwindigkeit der Arzneimittelentdeckung erhöhen kann.

Das Bindungspotenzial eines Arzneimittels wird durch eine Kennzahl namens Bindungsfree-Energie quantifiziert, wobei eine kleinere Zahl eine größere Bindungsfähigkeit anzeigt. Ein niedriger Bindungsfree-Energie-Wert bedeutet, dass ein Arzneimittel eine große 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 Bindungsfree-Energie eines Arzneimittelkandidaten und der Wirksamkeit dieses Arzneimittels. Es kann jedoch schwierig sein, die Bindungsfree-Energie zu messen.

Es gibt zwei typische Methoden, um die freie Bindungsenergie zu messen. Eine Methode besteht darin, die genaue Menge der Bindungsfree-Energie zu berechnen, während die andere Methode die Menge der Bindungsfree-Energie schätzt. Schätzungen sind weniger rechenintensiv als genaue Messungen, aber sie gehen offensichtlich mit einem Verlust an Genauigkeit einher.

Die DeepBAR-Methode verwendet einen Bruchteil der Rechenleistung von exakten Messmethoden, aber liefert hochgenaue Schätzungen der Bindungsenergien. DeepBAR verwendet den “Bennett-Akzeptanzquotienten”, der normalerweise zur Berechnung der Bindungsfree-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 er den Bennett-Akzeptanzquotienten zusammen mit maschinellen Lernalgorithmen und tiefen generativen Modellen verwendet. Die maschinellen Lernalgorithmen generieren einen Referenz Zustand für jeden Endzustand, und diese Endzustände sind genau genug, um den Bennett-Akzeptanzquotienten zu verwenden.

Das von dem MIT-Forschungsteam entwickelte tiefe generative Modell basiert auf Computervision-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 Computervision-Algorithmen normalerweise auf 2D-Bildern operieren.

In anfänglichen Tests konnte DeepBAR die Bindungsfree-Energie ungefähr 50-mal schneller berechnen als traditionelle Techniken. Es gibt noch Arbeit zu tun, um das Modell zu verbessern. Es muss validiert werden, indem es mit komplexeren, experimentellen Daten als den ziemlich einfachen Daten getestet wird, die ursprünglich verwendet wurden, die einfache Daten umfassten. Das MIT-Forschungsteam zielt darauf ab, DeepBars Fähigkeit zur Berechnung der Bindungsfree-Energien für große Proteine zu verbessern, indem es das Modell mithilfe jüngster Fortschritte in der Informatik verfeinert.

DeepBAR ist bei Weitem nicht der erste 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, die 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 erheblich lange, 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 sparen 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 werden Wissenschaftler haben, um Wege zu finden, KI in anderen Bereichen der Arzneimittelentdeckungspipeline zu verwenden.