Tutkijat pyrkivät nopeuttamaan lääkekehitystä laskemalla sitoutumistehtävyyksiä tekoälyllä

Tutkijat MIT:stä ovat kehittäneet äskettäin uuden tekoälypohjaisen tekniikan, jolla voidaan nopeuttaa lääkekehitystä lisäämällä laskelmien nopeutta, joita käytetään arvioimaan lääkkeen molekulaarista sitoutumisaffiniteettia.

Lääkkeen on kyettävä sitoutumaan proteiineihin, jotta se voi suorittaa tehtävän, jota varten se on suunniteltu. Lääkkeen kyvyn arviointi sitoutua proteiineihin on lääkekehitys- ja seulontaprosessin tärkeä osa, ja koneoppimistekniikoita voidaan käyttää vähentämään aikaa, joka kuluu tärkeän lääkeominaisuuden arviointiin.

MIT-tutkimusryhmä, joka on kehittänyt uuden lääkearviointitekniikan, kutsuu sitä DeepBAR:ksi. DeepBAR yhdistää koneoppimisalgoritmeja perinteisiin kemianlaskelmiin. DeepBAR laskee annetun lääkeehdokkaan ja sen kohdeproteiinien sitoutumispotentiaalia. Uusi analyysitekniikka antaa arvioita lääkkeen sitoutumiskyvystä perinteisiä menetelmiä nopeammin, ja toivotaan, että tekniikka voi parantaa lääkekehityksen nopeutta.

Lääkkeen sitoutumispotentiaali on kvantifioitu mittarilla, jota kutsutaan sitoutumisvapaaenergiaksi, jossa pienempi luku osoittaa suuremman sitoutumispotentiaalin. Pieni sitoutumisvapaaenergialukema tarkoittaa, että lääkeellä on suuri kyky kilpailla muiden molekyylien kanssa, täyttää niiden roolit ja häiritä proteiinin normaalia toimintaa. On korkea korrelaatio lääkeehdokkaan sitoutumisvapaaenergian ja lääkkeen tehokkuuden välillä. Sitoutumisvapaaenergian mittaaminen voi kuitenkin olla hyvin vaikeaa.

On kaksi tyypillistä menetelmää, joita käytetään vapaan sitoutumisenergian mittaamiseen. Yksi menetelmä on laskemaan tarkka määrä sitoutumisvapaaenergiaa, kun taas toinen on arvioida sitoutumisvapaaenergian määrää. Arviot ovat laskennallisesti vähemmän kalliita kuin tarkat mittaukset, mutta ne tulevat tarkkuuden kannalta kompromissina.

DeepBAR-menetelmä käyttää murto-osan laskentatehosta verrattuna tarkoihin mittausmenetelmiin, mutta antaa silti erittäin tarkat arviot sitoutumisenergioista. DeepBAR käyttää “Bennett-hyväksymissuhdetta”, joka on algoritmi, jota yleensä käytetään sitoutumisvapaaenergian laskemiseen. Bennet-hyväksymissuhde vaatii kaksi viite-/päätepistettä ja useita välimuotoisia tiloja (joita ovat osittain sitoutuneita tiloja). DeepBAR-lähestymistapa pyrkii vähentämään laskelmien määrää, joita tarvitaan sitoutumisenergioiden arvioimiseen, käyttämällä Bennet-hyväksymissuhdetta yhdessä koneoppimisraamitusten ja syvän generoivien mallien kanssa. Koneoppimismallit generoivat viitepisteen kullekin päätepisteelle, ja nämä päätepisteet ovat tarpeeksi tarkkoja, jotta Bennet-hyväksymissuhde voidaan käyttää.

Syvä generoiva malli, jonka MIT-tutkimusryhmä on suunnitellut, perustuu tietokoneen näkötekniikoihin. Periaatteessa DeepBAR kohdeltaa jokaisen analysoiman molekyylistruktuurin “kuvana”, analysoi “kuvan” ominaisuuksia ja oppii niistä. Tutkimusryhmän oli tehtävä joitakin muutoksia algoritmiin, jotta se voisi sopeutua 3D-rakenteiden analyysiin, koska tietokoneen näköalgoritmit toimivat yleensä 2D-kuvilla.

Alkutesteissä DeepBAR pystyi laskemaan sitoutumisvapaaenergian noin 50 kertaa nopeammin kuin perinteiset menetelmät. Tutkimusryhmällä on vielä työtä tehtävänä. Mallin on validoitava enemmän kompleksisemman, kokeellisen aineiston kanssa kuin aluksi testatulla yksinkertaisella aineistolla, joka käsitti melko yksinkertaisia tietoja. MIT-tutkimusryhmä pyrkii parantamaan DeepBarin kykyä laskea sitoutumisvapaaenergioita suurille proteiineille mallin parantamiseen käyttämällä tietojenkäsittelytieteen uusimpia edistysaskelia.

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

Kuten Derek Lowe vastikin 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 tekoälyn käytön löytäminen kliinisten epäonnistumisten vähentämiseksi on vaikeaa. Lopulta voi olla alempi raja sille, kuinka paljon tekoälymenetelmät voivat säästää aikaa lääkekehityksessä, ainakin siihen asti, kunnes tekoäly voidaan mielekkäästi integroida kliiniseen arviointiprosessiin. Kuitenkin parannukset ovat parannuksia, ja mitä enemmän tutkimusta tehdään DeepBARin kaltaisilla, sitä enemmän tutkijat voivat pohtia keinoja käyttää tekoälyä lääkekehitysputken muissa osissa.