Bruk av AI til å lage legemiddelmolekyl som kan bekjempe fibrose

Utvikling av nye legemidler er en kompleks prosess som kan ta år og milliarder av kroner. Likevel er det en viktig investering for folks helse. Kunstig intelligens kan potensielt gjøre oppdagelsen av nye legemidler lettere og raskere hvis det nylige arbeidet til startup-selskapet Insilico Medicine fortsetter å gjøre fremgang. Ifølge SingularityHub har AI-startupen nylig brukt AI til å designe en molekyl som kan bekjempe fibrose.

Med tanke på hvor kompleks og tidskrevende prosessen med å oppdage nye molekyler for et legemiddel er, søker vitenskapsmenn og ingeniører stadig etter måter å accelerere prosessen på. Idéen om å bruke datamaskiner til å hjelpe med å oppdage nye legemidler er ingen nyhet, da konseptet har eksistert i tiår. Likevel har fremgangen på dette området vært langsom, med ingeniører som sliter med å finne de riktige algoritmene for legemiddelutvikling.

Dyp læring har begynt å gjøre AI-drevet legemiddeloppdagelse mer levedyktig, med legemiddelselskaper som investerer tungt i AI-startups de siste årene. Et selskap har klart å bruke AI til å designe en molekyl som kan bekjempe fibrose, og det tok bare 46 dager å utvikle en molekyl som ligner terapeutiske legemidler. Insilco Medicine kombinerte to forskjellige dyp læringsteknikker for å oppnå dette resultatet: forsterkingslæring og generative adversarial nettverk (GANs).

Forsterkingslæring er en maskinlæringsmetode som oppmuntret maskinlæringsmodellen til å ta bestemte beslutninger ved å gi nettverket tilbakemelding som fremmer bestemte responser. Modellen kan straffes for å ta uønskede valg eller belønnes for å ta ønskede valg. Ved å bruke en kombinasjon av både negativ og positiv forsterkning, blir modellen guidet mot å ta ønskede beslutninger, og den vil trende mot å ta beslutninger som minimiserer straff og maksimerer belønning.

Mens generative adversarial nettverk er “adversarielle” fordi de består av to forskjellige neurale nettverk som er satt opp mot hverandre. De to nettverkene får eksempler på objekter å trene på, ofte bilder. Oppgaven til ett nettverk er å lage en falsk objekt, noe som er tilstrekkelig likt det ekte objektet at det kan forveksles med den ekte varen. Oppgaven til det andre nettverket er å oppdage falske objekter. De to nettverkene prøver å overgå hverandre, og mens de begge øker sine prestasjoner for å overgå hverandre, fører denne virtuelle våpenkappløpet til at den falske modellen genererer objekter som er nesten umulig å skille fra den ekte varen.

Ved å kombinere både GANs og forsterkingslæring, kunne forskerne få sine modeller til å produsere nye legemiddelmolekyler ekstremt like de som allerede eksisterer.

Resultatene av Insilico Medicines eksperimenter med AI-drevet legemiddeloppdagelse ble nylig publisert i tidsskriftet Nature Biotechnology. I artikkelen diskuterer forskerne hvordan de dypere læringsmodellene ble trent. Forskerne tok representasjoner av molekyler som allerede ble brukt i legemidler for å håndtere proteiner involvert i idiopatisk pulmonal fibrose eller IPF. Disse molekylene ble brukt som basis for trening, og de kombinerte modellene kunne generere rundt 30 000 mulige legemiddelmolekyler.

Forskerne sorterte deretter gjennom de 30 000 kandidatmolekylene og valgte de seks mest lovende molekylene for laboratorietesting. Disse seks finalistene ble syntetisert i laboratoriet og brukt i en serie tester som sporet deres evne til å påvirke IPF-proteinet. En molekyl, i særlig, syntes å være lovende, da den leverte den type resultater som er ønsket i et medikament.

Det er viktig å merke seg at legemidlet mot fibrose som ble målrettet i eksperimentet allerede har blitt omfattende forsket, med flere effektive legemidler som allerede eksisterer for det. Forskerne kunne referere til disse legemidlene, og dette ga forskningsteamet en fordel, da de hadde en betydelig mengde data å trene sine modeller på. Dette gjelder ikke for mange andre sykdommer, og som et resultat, er det et større gap å lukke på disse behandlingene.

En annen viktig faktor er at selskapets nåværende legemiddelutviklingsmodell bare omhandler den innledende oppdagelsesprosessen, og at molekylene som genereres av deres modell fortsatt vil trenge mange justeringer og optimaliseringer før molekylene potensielt kan brukes i kliniske prøver.

Ifølge Wired erkjenner Insilico Medicines CEO Alex Zhavornokov at deres AI-drevne legemiddel ikke er klar for feltbruk, og at den nåværende studien bare er et bevis på konseptet. Målet med dette eksperimentet var å se hvor raskt et legemiddel kunne bli designet med hjelp av AI-systemer. Likevel bemerker Zhavornokov at forskerne klarte å designe en potensielt nyttig molekyl mye raskere enn de kunne ha gjort hvis de hadde brukt vanlige legemiddeloppdagelsesmetoder.

Til tross for disse forbeholdene representerer Insilico Medicines forskning likevel en betydelig fremgang i bruken av AI til å lage nye legemidler. Forfiningen av de teknikkene som ble brukt i studien kunne potensielt forkorte tiden det tar å utvikle et nytt legemiddel. Dette kunne vise seg å være spesielt nyttig i en tid hvor antibiotikaresistente bakterier formerer seg og mange tidligere effektive legemidler mister sin potens.