Ερευνητές Στόχο να Αυξήσουν την Ταχύτητα Ανακάλυψης Φαρμάκων με τον Υπολογισμό των Αποτελεσμάτων Δέσμευσης με τον AI

Ερευνητές από το MIT έχουν αναπτύξει πρόσφατα μια νέα τεχνική που βασίζεται στον AI για να αυξήσουν την ταχύτητα ανακάλυψης φαρμάκων, αυξάνοντας την ταχύτητα των υπολογισμών που χρησιμοποιούνται για να αξιολογήσουν τη μοριακή δέσμευση των φαρμάκων.

Ένα φάρμακο πρέπει να μπορεί να προσκολληθεί σε πρωτεΐνες για να εκτελέσει την εργασία για την οποία έχει σχεδιαστεί. Η αξιολόγηση της ικανότητας ενός φαρμάκου να προσκολληθεί σε πρωτεΐνες είναι ένα σημαντικό μέρος της διαδικασίας ανακάλυψης και ελέγχου φαρμάκων, και οι τεχνικές μηχανικής μάθησης μπορούν να μειώσουν τον χρόνο που διαρκεί η αξιολόγηση αυτής της σημαντικής ιδιότητας των φαρμάκων.

Η ομάδα ερευνητών του MIT που ανέπτυξε τη νέα τεχνική αξιολόγησης φαρμάκων την ονομάζει DeepBAR. Η DeepBAR συνδυάζει αλγόριθμους μηχανικής μάθησης με παραδοσιακούς χημικούς υπολογισμούς. Η DeepBAR υπολογίζει το δυναμικό δέσμευσης ενός υποψήφιου φαρμάκου και των στόχων πρωτεϊνών του. Η νέα τεχνική ανάλυσης παρέχει εκτιμήσεις της ικανότητας δέσμευσης του φαρμάκου σημαντικά γρηγορότερα από τις παραδοσιακές μεθόδους που χρησιμοποιούνται για την αξιολόγηση της δέσμευσης, και ελπίζεται ότι η τεχνική μπορεί να αυξήσει την ταχύτητα ανακάλυψης φαρμάκων.

Το δυναμικό δέσμευσης ενός φαρμάκου μετράται μέσω ενός μετρήματος που ονομάζεται ελεύθερη ενέργεια δέσμευσης, όπου ένα μικρότερο αριθμό υποδηλώνει μεγαλύτερο δυναμικό δέσμευσης. Ένα χαμηλό μέτρημα ελεύθερης ενέργειας δέσμευσης σημαίνει ότι ένα φάρμακο έχει μεγάλη ικανότητα να ανταγωνιστεί άλλα μόρια, να γεμίσει τους ρόλους αυτών των μορίων και να διαταράξει τη φυσιολογική λειτουργία μιας πρωτεΐνης. Υπάρχει υψηλή συσχέτιση μεταξύ της ελεύθερης ενέργειας δέσμευσης ενός υποψήφιου φαρμάκου και της αποτελεσματικότητας του φαρμάκου. Ωστόσο, η μέτρηση της ελεύθερης ενέργειας δέσμευσης μπορεί να είναι khá δύσκολη.

Υπάρχουν δύο τυπικές μεθόδους για τη μέτρηση της ελεύθερης ενέργειας δέσμευσης. Η μια μέθοδος είναι ο υπολογισμός του ακριβούς ποσού της ελεύθερης ενέργειας δέσμευσης, ενώ η άλλη είναι η εκτίμηση του ποσού της ελεύθερης ενέργειας δέσμευσης. Οι εκτιμήσεις είναι λιγότερο υπολογιστικά εκμεταλλεύσιμες από τις ακριβείς μετρήσεις, αλλά φυσικά έρχονται με ένα εμπόδιο στην ακρίβεια.

Η μέθοδος DeepBAR χρησιμοποιεί ένα κλάσμα της υπολογιστικής ισχύος των μεθόδων ακριβούς μέτρησης, αλλά παρέχει πολύ ακριβείς εκτιμήσεις των ενεργειών δέσμευσης. Η DeepBAR χρησιμοποιεί το “παραδεκτό ποσοστό αποδοχής Bennett”, το οποίο είναι ο αλγόριθμος που χρησιμοποιείται συνήθως για τον υπολογισμό της ελεύθερης ενέργειας δέσμευσης. Το παραδεκτό ποσοστό αποδοχής Bennett απαιτεί τη χρήση δύο βασικών/τελικών καταστάσεων και πολλών ενδιάμεσων καταστάσεων (οι οποίες είναι καταστάσεις μερικής δέσμευσης). Η προσέγγιση DeepBAR προσπαθεί να μειώσει τον αριθμό των υπολογισμών που απαιτούνται για την εκτίμηση των ενεργειών δέσμευσης, χρησιμοποιώντας το παραδεκτό ποσοστό αποδοχής Bennett μαζί με πλαίσια μηχανικής μάθησης και βαθιά γενετικά μοντέλα. Τα μοντέλα μηχανικής μάθησης δημιουργούν μια αναφορά κατάσταση για κάθε τελικό και αυτές οι τελικές καταστάσεις είναι αρκετά ακριβείς για να αναπτύξουν ένα παραδεκτό ποσοστό αποδοχής Bennett.

Το βαθύ γενετικό μοντέλο που σχεδιάστηκε από την ομάδα ερευνητών του MIT βασίζεται σε τεχνικές οπτικής ανίχνευσης. Ουσιαστικά, η DeepBAR αντιμετωπίζει κάθε μοριακή δομή που αναλύει ως εικόνα, αναλύοντας τα χαρακτηριστικά της “εικόνας” για να μάθει από αυτά. Η ομάδα ερευνητών έπρεπε να κάνει μικρές αλλαγές στον αλγόριθμο για να προσαρμοστεί στην ανάλυση των 3D δομών, поскольку οι αλγόριθμοι οπτικής ανίχνευσης λειτουργούν συνήθως σε 2D εικόνες.

Σε αρχικές δοκιμές, η DeepBAR ήταν σε θέση να υπολογίσει την ελεύθερη ενέργεια δέσμευσης περίπου 50 φορές γρηγορότερα από τις παραδοσιακές τεχνικές. Υπάρχει ακόμη δουλειά να γίνει στο μοντέλο. Πρέπει να ελεγχθεί ενάντια σε πιο σύνθετα, πειραματικά δεδομένα από τα σχετικά απλά δεδομένα στα οποία αρχικά ελέγχθηκε, τα οποία περιελάμβαναν khá απλά δεδομένα. Η ομάδα ερευνητών του MIT στοχεύει να βελτιώσει την ικανότητα της DeepBAR να υπολογίζει την ελεύθερη ενέργεια δέσμευσης για μεγάλες πρωτεΐνες, βελτιώνοντας το μοντέλο με πρόσφατες προόδους στην επιστήμη των υπολογιστών.

Η DeepBAR είναι μακράν η πρώτη προσπάθεια να εφαρμοστεί ο AI στη διαδικασία ανακάλυψης φαρμάκων με στόχο την αύξηση της ταχύτητας ανακάλυψης φαρμάκων. Πολλά άλλα ερευνητικά προγράμματα έχουν επίσης χρησιμοποιήσει τον AI για να αυτοματοποιήσουν аспектς της διαδικασίας ανακάλυψης φαρμάκων και να βελτιώσουν την αποτελεσματικότητά τους. Ωστόσο, μπορεί να υπάρχει ένα φυσικό εμπόδιο που περιορίζει την αποτελεσματικότητα αυτών των στρατηγικών.

Όπως ο Derek Lowe最近 υποστήριξε σε ένα blog στο ScienceMag.org, αν ο στόχος είναι να αυξήσει την ταχύτητα ανακάλυψης φαρμάκων, είναι σημαντικό να “επιτεθεί στα σωστά προβλήματα”. Η αξιολόγηση της κλινικής αποτελεσματικότητας και ασφάλειας των φαρμάκων διαρκεί σημαντικό χρόνο και η εύρεση τρόπων να χρησιμοποιηθεί ο AI για να μειώσει τις κλινικές αποτυχίες είναι δύσκολο. Τελικά, μπορεί να υπάρχει ένα κατώτερο όριο στο χρόνο που ο AI μπορεί να σώσει στην ανακάλυψη φαρμάκων, τουλάχιστον μέχρι ο AI να μπορέσει να ενσωματωθεί με νόημα στη διαδικασία κλινικής αξιολόγησης. Παρόλα αυτά, οι βελτιώσεις είναι βελτιώσεις και όσο περισσότερη έρευνα όπως η DeepBAR γίνεται, τόσο περισσότερος χρόνος θα έχουν οι επιστήμονες για να σκεφτούν τρόπους να χρησιμοποιήσουν τον AI σε άλλες περιοχές της διαδικασίας ανακάλυψης φαρμάκων.