Forskere sikter på å øke hastigheten på legemiddelforskning ved å beregne bindingseffekter med AI

Forskere fra MIT har nylig utviklet en ny AI-dreven teknikk for å øke hastigheten på legemiddelforskning ved å øke hastigheten på beregningene som brukes til å vurdere den molekylære bindingsevnen til et legemiddel.

Et legemiddel må kunne feste seg til proteiner for å kunne utføre oppgaven det er designet for. Vurdering av evnen til et legemiddel til å feste seg til proteiner er en stor del av legemiddelforskning og screeningprosessen, og maskinlærings-teknikker kan redusere tiden som brukes på å vurdere denne viktige legemiddel-egenskapen.

MIT-forskingsteamet som utviklet den nye legemiddel-vurderingsteknikken kaller den DeepBAR. DeepBAR kombinerer maskinlæringsalgoritmer med tradisjonelle kjemiske beregninger. DeepBAR beregner bindingsevnen til et gitt legemiddel og mål-proteinene. Den nye analyse-teknikken leverer estimater av et legemiddels bindingsevne vesentlig raskere enn tradisjonelle metoder som brukes til å vurdere bindingsevne, og det håpes at teknikken kan øke hastigheten på legemiddelforskning.

Bindingsevnen til et legemiddel måles gjennom en målestokk kalt binding fri energi, hvor et lavt tall indikerer større bindingsevne. Et lavt binding fri energi-tall betyr at et legemiddel har en stor evne til å konkurrere med andre molekyler, fylle rollene til disse molekylene og forstyrre den normale funksjonen til et protein. Det er en høy korrelasjon mellom binding fri energi til et legemiddel og effektiviteten til legemidlet. Men å måle binding fri energi kan være ganske vanskelig.

Det finnes to typiske metoder for å måle binding fri energi. En metode er å beregne den eksakte mengden binding fri energi, mens den andre er å estimere mengden binding fri energi. Estimater er mindre datamaskin-krevende enn eksakte målinger, men de kommer med en tradeoff i nøyaktighet.

DeepBAR-metoden bruker en brøkdel av den datamaskin-kraften til eksakte målingsmetoder, men leverer svært nøyaktige estimater av bindingsevner. DeepBAR bruker “Bennett-akseptans-ratioen”, som er algoritmen som vanligvis brukes til å beregne binding fri energi. Bennett-akseptans-ratioen krever bruk av to baseline/endepunkts-tilstander og en rekke mellomtilstander (som er tilstander av delvis binding). DeepBAR-tilnærmingen prøver å redusere antall beregninger som trengs for å estimere bindingsevner ved å bruke Bennett-akseptans-ratioen sammen med maskinlærings-rammeverk og dypt generative modeller. Maskinlærings-modellene genererer en referanseatilstand for hver endepunkt, og disse endepunktene er nøyaktige nok til å kunne bruke Bennett-akseptans-ratioen.

Den dypt generative modellen som er utviklet av MIT-forskingsteamet er basert på datavisjons-teknikker. I essensen behandler DeepBAR hver molekylær struktur det analyserer som et bilde, og analyserer egenskapene til “bildet” for å lære av dem. Forskingsteamet måtte gjøre små endringer i algoritmen for å kunne analysere 3D-strukturer, da datavisjons-algoritmer vanligvis opererer på 2D-bilder.

I initielle tester var DeepBAR i stand til å beregne binding fri energi omtrent 50 ganger raskere enn tradisjonelle teknikker. Det er fortsatt arbeid å gjøre på modellen. Den må validieres mot mer komplekse, eksperimentelle data enn de relativt enkle dataene den først ble testet på, som inneholdt ganske enkle data. MIT-forskingsteamet har som mål å forbedre DeepBARs evne til å beregne bindingsevner for store proteiner ved å finjustere modellen med hjelp av nyeste fremgang i datavitenskap.

DeepBAR er langt ifra det første forsøket på å bruke AI i legemiddelforskning for å øke hastigheten på legemiddelforskning. Mange andre forskningsprosjekter har også brukt AI til å automatisere aspekter av legemiddelforskning og forbedre effektiviteten. Men det kan være en naturlig flaskehals som begrenser effektiviteten av disse strategiene.

Som Derek Lowe nylig argumenterte i en blogg på ScienceMag.org, hvis målet er å øke hastigheten på legemiddelforskning, er det viktig å “angripe de riktige problemene”. Vurdering av den kliniske effektiviteten og sikkerheten til legemidler tar en betydelig mengde tid, og å finne måter å bruke AI til å redusere kliniske feilrater er vanskelig. Til slutt kan det være en nedre grense for hvor mye tid AI-metoder kan spare i forhold til legemiddelforskning, i det minste til AI kan integreres meningsfullt i den kliniske vurderingsprosessen. Likevel er forbedringer forbedringer, og jo mer forskning som gjøres, som DeepBAR, jo mer tid vil forskerne ha til å vurdere måter å bruke AI i andre områder av legemiddelforskning.