Tutkijat pyrkivät nopeuttamaan lääkekehitystä laskemalla sitoutumis-tehokkuuksia tekoälyllä

Tutkijat MIT:stä ovat kehittäneet äskettäin uuden tekoäly-pohjaisen tekniikan, jonka avulla lääkekehitystä voidaan nopeuttaa laskemalla nopeammin molekulaarisen sitoutumisaffiniteetin arvoa.

Lääkkeen on kyettävä sitoutumaan proteiineihin, jotta se voi suorittaa tehtävän, jota varten se on suunniteltu. Lääkkeen kyvyn arviointi proteiineihin sitoutumisessa on tärkeä osa lääkekehitys- ja seulontaprosessia, ja koneoppimismenetelmillä voidaan vähentää aikaa, jota kuluu tärkeän lääkeominaisuuden arviointiin.

MIT:n tutkimusryhmä, joka on kehittänyt uuden lääkearviointitekniikan, kutsuu sitä DeepBAR:ksi. DeepBAR yhdistää koneoppimisalgoritmeja perinteisiin kemiaan liittyviin laskelmiin. DeepBAR laskee annetun lääkeehdokkaan ja sen kohdeproteiinien sitoutumispotentiaalia. Uusi analyysimenetelmä antaa arvioita lääkkeen sitoutumiskyvystä huomattavasti nopeammin kuin perinteiset menetelmät, ja toivotaan, että menetelmä voi parantaa lääkekehityksen nopeutta.

Lääkkeen sitoutumispotentiaali mitataan sitoutumisvapaaenergia-mittarilla, jossa pienempi luku osoittaa suurempaa sitoutumispotentiaalia. Pieni sitoutumisvapaaenergia-arvo tarkoittaa, että lääke kykenee kilpailemaan muiden molekyylien kanssa ja täyttämään niiden rooleja ja häiritsemään proteiinin normaalia toimintaa. On olemassa korkea korrelaatio lääkeehdokkaan sitoutumisvapaaenergian ja lääkkeen tehokkuuden välillä. Sitoutumisvapaaenergian mittaaminen voi kuitenkin olla hyvin vaikeaa.

On olemassa kaksi yleistä menetelmää sitoutumisvapaaenergian mittaamiseen. Yksi menetelmä on laskeminen tarkkaa sitoutumisvapaaenergian määrää, kun taas toinen on arviointi sitoutumisvapaaenergian määrästä. Arviot ovat laskennallisesti vähemmän kuluttavia kuin tarkat mittaukset, mutta ne tulevat tietyn tarkkuuden kanssa.

DeepBAR-menetelmä käyttää murto-osan laskentatehosta verrattuna tarkoihin mittausmenetelmiin, mutta antaa silti hyvin tarkkoja arvioita sitoutumisenergioista. DeepBAR käyttää “Bennett-hyväksymis-suhdetta”, joka on algoritmi, jota yleensä käytetään sitoutumisvapaaenergian laskemiseen. Bennett-hyväksymis-suhde vaatii kaksi viite-/päätepistettä ja useita välimuotoisia tiloja (joita ovat osittain sitoutuneita tiloja). DeepBAR-lähestymistapa pyrkii vähentämään laskelmien määrää, joita tarvitaan sitoutumisenergian arvioimiseen, käyttämällä Bennett-hyväksymis-suhdetta yhdessä koneoppimisraamitusten ja syvien generatiivisten mallien kanssa. Koneoppimismallit luovat viite-tilan kullekin päätepisteelle, ja nämä päätepisteet ovat tarpeeksi tarkkoja, jotta Bennett-hyväksymis-suhde voidaan käyttää.

Syvä generatiivinen malli, jonka MIT:n tutkimusryhmä on suunnitellut, perustuu tietokoneen näkötekniikoihin. DeepBAR käsittelee jokaisen analysoiman molekulaarisen rakenteen “kuvana” ja analysoi “kuvan” ominaisuuksia oppiakseen niistä. Tutkimusryhmän oli tehtävä pieniä muutoksia algoritmiin, jotta se voisi analysoida 3D-rakenteita, koska tietokoneen näköalgoritmit toimivat yleensä 2D-kuvilla.

Alkutestien perusteella DeepBAR pystyi laskemaan sitoutumisvapaaenergian noin 50 kertaa nopeammin kuin perinteiset menetelmät. Tutkimusryhmällä on vielä työtä tehtävänä mallin parantamiseksi. Se on validoitava enemmän monimutkaisemman kokeellisen datan avulla, ja tutkimusryhmä aikoo parantaa DeepBAR:n kykyä laskemaan sitoutumisvapaaenergioita suurille proteiineille jalostamalla mallia viimeaikaisilla tietojenkäsittelytieteellisillä edistysaskeleilla.

DeepBAR ei ole ensimmäinen yritys soveltaa tekoälyä lääkekehitysputkeen nopeuttaakseen lääkekehitystä. Monet muut tutkimushankkeet ovat myös käyttäneet tekoälyä automatisoimaan lääkekehitysputken osia ja parantamaan niiden tehokkuutta. On kuitenkin olemassa luonnollinen pullonkaula, joka rajoittaa näiden strategioiden tehokkuutta.

Kuten Derek Lowe vastikään argumentoi blogissaan ScienceMag.org:ssa, jos tavoitteena on parantaa lääkekehityksen nopeutta, on tärkeää “hyökätä oikeisiin ongelmiin”. Lääkkeen kliinisen tehokkuuden ja turvallisuuden arviointi kestää paljon aikaa, ja tekoälymenetelmien kehittäminen kliinisten epäonnistumisten vähentämiseksi on vaikeaa. Lopulta voi olla alempi raja sille, kuinka paljon tekoälymenetelmät voivat säästää aikaa lääkekehityksessä, ainakin siihen asti, kunnes tekoäly voidaan merkittävästi integroida kliiniseen arviointiprosessiin. Kuitenkin parannukset ovat parannuksia, ja mitä enemmän tutkimusta tehdään DeepBAR:n kaltaisilla menetelmillä, sitä enemmän aikaa tutkijoilla on pohtia keinoja tekoälyn soveltamiseen muihin lääkekehitysputken osiin.