Peneliti Berupaya Meningkatkan Kecepatan Penemuan Obat dengan Menghitung Efisiensi Ikatan menggunakan AI

Peneliti dari MIT baru-baru ini mengembangkan sebuah teknik baru yang digerakkan oleh AI untuk mempercepat penemuan obat dengan meningkatkan kecepatan perhitungan yang digunakan untuk menilai afinitas ikatan molekul suatu obat.

Sebuah obat harus dapat menempel pada protein untuk melakukan tugas yang dirancang untuknya. Menilai kemampuan suatu obat untuk menempel pada protein adalah bagian besar dari proses penemuan dan penyaringan obat, dan teknik pembelajaran mesin dapat mengurangi waktu yang dihabiskan untuk menilai atribut obat yang penting ini.

Tim peneliti MIT yang bertanggung jawab atas pengembangan teknik penilaian obat baru ini menyebutnya DeepBAR. DeepBAR menggabungkan algoritma pembelajaran mesin dengan perhitungan kimia tradisional. DeepBAR menghitung potensi ikatan suatu kandidat obat dan protein targetnya. Teknik analisis baru ini memberikan perkiraan kemampuan ikatan suatu obat secara substansial lebih cepat daripada metode tradisional yang digunakan untuk menilai afinitas ikatan, dan diharapkan bahwa teknik ini dapat meningkatkan kecepatan penemuan obat.

Potensi ikatan suatu obat diukur melalui metrik yang disebut energi ikatan bebas, di mana angka yang lebih kecil menunjukkan potensi ikatan yang lebih besar. Skor energi ikatan bebas yang rendah berarti bahwa suatu obat memiliki kemampuan yang besar untuk bersaing dengan molekul lain, mengisi peran molekul tersebut dan mengganggu fungsi normal suatu protein. Terdapat korelasi yang tinggi antara energi ikatan bebas suatu kandidat obat dan efektivitas obat tersebut. Namun, mengukur energi ikatan bebas dapat cukup sulit.

Terdapat dua teknik yang umum digunakan untuk mengukur energi ikatan bebas. Satu metode adalah menghitung jumlah pasti energi ikatan bebas, sedangkan metode lainnya adalah memperkirakan jumlah energi ikatan bebas. Perkiraan kurang mahal dari segi komputasi daripada pengukuran pasti, tetapi mereka tentu saja memiliki tradeoff dalam ketidakakuratan.

Metode DeepBAR menggunakan sebagian kecil daya komputasi metode pengukuran pasti, tetapi memberikan perkiraan yang sangat akurat tentang energi ikatan. DeepBAR menggunakan “rasio penerimaan Bennett”, yang merupakan algoritma yang biasanya digunakan untuk menghitung energi ikatan bebas. Rasio penerimaan Bennett memerlukan penggunaan dua keadaan baseline/endpoint dan berbagai keadaan antara (yang merupakan keadaan ikatan sebagian). Pendekatan DeepBAR berusaha untuk mengurangi jumlah perhitungan yang diperlukan untuk memperkirakan energi ikatan dengan menggunakan rasio penerimaan Bennett bersama dengan kerangka pembelajaran mesin dan model generatif dalam. Model pembelajaran mesin menghasilkan keadaan referensi untuk setiap endpoint, dan endpoint tersebut cukup akurat sehingga rasio penerimaan Bennett dapat diterapkan.

Model generatif dalam yang dirancang oleh tim peneliti MIT didasarkan pada teknik penglihatan komputer. Secara esensial, DeepBAR mengobati setiap struktur molekul yang dianalisis sebagai gambar, menganalisis fitur-fitur “gambar” untuk mempelajarinya. Tim peneliti harus membuat sedikit perubahan pada algoritma untuk mengakomodasi analisis struktur 3D, karena algoritma penglihatan komputer biasanya beroperasi pada gambar 2D.

Dalam tes awal, DeepBAR dapat menghitung energi ikatan bebas sekitar 50 kali lebih cepat daripada teknik tradisional. Masih ada pekerjaan yang harus dilakukan pada model ini. Model ini harus divalidasi melawan data eksperimental yang lebih kompleks daripada data sederhana yang diuji awal, yang melibatkan data yang cukup sederhana. Tim peneliti MIT berencana untuk meningkatkan kemampuan DeepBAR untuk menghitung energi ikatan bebas untuk protein besar dengan memperbarui model menggunakan kemajuan terbaru dalam ilmu komputer.

DeepBAR jauh dari upaya pertama untuk menerapkan AI pada pipa penemuan obat dengan tujuan meningkatkan kecepatan penemuan obat. Banyak proyek penelitian lain juga telah menggunakan AI untuk mengotomatisasi aspek penemuan obat dan meningkatkan efisiensi. Namun, ada kemungkinan bottleneck alami yang membatasi efektivitas strategi ini.

Sebagaimana Derek Lowe baru-baru ini argumen dalam blog di ScienceMag.org, jika tujuannya adalah untuk meningkatkan kecepatan penemuan obat, penting untuk “menyerang masalah yang tepat”. Evaluasi efektivitas dan keamanan klinis obat memerlukan waktu yang substansial dan menemukan cara untuk menggunakan AI untuk mengurangi tingkat kegagalan klinis sulit. Pada akhirnya, ada kemungkinan batas bawah pada jumlah waktu yang dapat diselamatkan oleh metode AI dalam penemuan obat, setidaknya sampai AI dapat diintegrasikan secara bermakna ke dalam proses evaluasi klinis. Namun, perbaikan adalah perbaikan dan semakin banyak penelitian seperti DeepBAR yang dilakukan, semakin banyak waktu yang akan dimiliki oleh ilmuwan untuk mempertimbangkan cara menggunakan AI di area lain dari pipa penemuan obat.