AI brukes til å lage legemiddelmolekyl som kan bekjempe fibrose

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

Gitt hvor kompleks og tidskrevende prosessen med å oppdage nye molekyler for et legemiddel er, søker vitenskapsmenn og ingeniører konstant etter måter å raske opp prosessen. Tanken på 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 treg, 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 gjøre opp 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 gjøre bestemte beslutninger ved å gi nettverket tilbakemelding som fremkaller bestemte responser. Modellen kan straffes for å gjøre uønskede valg eller belønnes for å gjøre ønskede valg. Ved å bruke en kombinasjon av både negativ og positiv forsterkning, blir modellen veiledet mot å gjøre ønskede beslutninger, og den vil trende mot å gjøre beslutninger som minimiserer straff og maksimerer belønning.

I mellomtiden er generative adversarial nettverk “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. Jobben til ett nettverk er å lage en falsk objekt, noe som er tilstrekkelig likt det ekte objektet til at det kan forveksles med den ekte varen. Jobben til det andre nettverket er å detektere falske objekter. De to nettverkene prøver å overgå hverandre, og ettersom de begge øker sine prestasjoner for å overgå det andre nettverket, 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 forsterkingslæringalgoritmer, kunne forskerne få sine modeller til å produsere nye legemiddelmolekyler ekstremt like til allerede eksisterende terapeutiske legemidler.

Resultatene av Insilico Medicines eksperimenter med AI-legemiddeloppdagelse ble nylig publisert i tidsskriftet Nature Biotechnology. I artikkelen diskuterer forskerne hvordan de dypelæringsmodellene ble trent. Forskerne tok representasjoner av molekyler allerede 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 så 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 rekke tester som sporet deres evne til å målrette IPF-proteinet. En molekyl, i særlig, syntes å være lovende, da den leverte den type resultater som er ønsket i et medisinsk legemiddel.

Det er viktig å merke seg at legemidlet mot fibrose som var målet for eksperimentet, allerede har vært omfattende forsket, med flere effektive legemidler som allerede eksisterer for det. Forskerne kunne referere til disse legemidlene, og dette ga forskningsteamet et forsprang, 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 initielle oppdagelsesprosessen, og at molekylene generert av deres modell fortsatt vil trenge mange justeringer og optimaliseringer før molekylene potensielt kan brukes for kliniske prøver.

Ifølge Wired, erkjenner Insilico Medicines CEO Alex Zharvornokov 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, merker 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 merkbart fremgang i bruken av AI til å lage nye legemidler. Raffineringen av de teknikker som ble brukt i studien, kunne vesentlig forkorte tiden det tar å utvikle et nytt legemiddel. Dette kunne vise seg å være spesielt nyttig i en tid hvor antibiotikaresistente bakterier florsterer og mange tidligere effektive legemidler mister sin potens.