Naukowcy starają się przyspieszyć odkrywanie leków poprzez obliczanie wydajności wiązania z użyciem sztucznej inteligencji

Naukowcy z MIT opracowali niedawno nową technikę opartą na sztucznej inteligencji, aby przyspieszyć odkrywanie leków, zwiększając prędkość obliczeń stosowanych do oceny powinowactwa molekularnego leku.

Lek musi być w stanie przylegać do białek, aby wykonywać zadanie, dla którego został zaprojektowany. Ocena zdolności leku do przylegania do białek jest główną częścią procesu odkrywania i selekcji leków, a techniki uczenia maszynowego mogą zmniejszyć czas potrzebny do oceny tego ważnego atrybutu leku.

Zespół badawczy z MIT odpowiedzialny za opracowanie nowej techniki oceny leków nazywa ją DeepBAR. DeepBAR łączy algorytmy uczenia maszynowego z tradycyjnymi obliczeniami chemicznymi. DeepBAR oblicza potencjał wiązania danego kandydata na lek i jego docelowych białek. Nowa technika analityczna dostarcza szacunków zdolności wiązania leku znacznie szybciej niż tradycyjne metody stosowane do oceny powinowactwa, a liczy się, że ta technika może przyspieszyć odkrywanie leków.

Potencjał wiązania leku jest ilościowo określony za pomocą miary zwanej energią wiązania, gdzie mniejsza liczba wskazuje na większy potencjał wiązania. Niski wynik energii wiązania oznacza, że lek ma dużą zdolność do konkurowania z innymi cząsteczkami, wypełniając role tych cząsteczek i zakłócając normalne funkcjonowanie białka. Istnieje wysoka korelacja między energią wiązania kandydata na lek a skutecznością tego leku. Jednakże, pomiar energii wiązania może być dość trudny.

Istnieją dwie typowe metody stosowane do pomiaru energii wiązania. Jedną z metod jest obliczanie dokładnej ilości energii wiązania, a drugą jest szacowanie ilości energii wiązania. Szacunki są mniej wymagające obliczeniowo niż pomiary dokładne, ale oczywiście wiążą się z pewnym kompromisem co do dokładności.

Metoda DeepBAR wykorzystuje ułamek mocy obliczeniowej metod pomiaru dokładnego, ale dostarcza bardzo dokładne szacunki energii wiązania. DeepBAR wykorzystuje „współczynnik akceptacji Bennetta”, który jest algorytmem typowo stosowanym do obliczania energii wiązania. Współczynnik akceptacji Bennetta wymaga użycia dwóch stanów bazowych/krajowych i różnych stanów pośrednich (które są stanami częściowego wiązania). Podejście DeepBAR próbuje zmniejszyć liczbę obliczeń potrzebnych do szacowania energii wiązania, wykorzystując współczynnik akceptacji Bennetta wraz z ramami uczenia maszynowego i głębokimi modelami generatywnymi. Modele uczenia maszynowego generują stan odniesienia dla każdego stanu krańcowego, a te stany krańcowe są wystarczająco dokładne, aby można było wdrożyć współczynnik akceptacji Bennetta.

Głęboki model generatywny opracowany przez zespół badawczy z MIT oparty jest na technice wizji komputerowej. Podstawowo, DeepBAR traktuje każdą strukturę molekularną, którą analizuje, jako obraz, analizując cechy „obrazu”, aby się od nich uczyć. Zespół badawczy musiał wprowadzić niewielkie zmiany w algorytmie, aby dostosować go do analizy struktur trójwymiarowych, ponieważ algorytmy wizji komputerowej typowo działają na obrazach dwuwymiarowych.

W początkowych testach DeepBAR był w stanie obliczyć energię wiązania około 50 razy szybciej niż tradycyjne techniki. Nadal jest wiele pracy do wykonania nad modelem. Musi on zostać zwalidowany z bardziej złożonymi, eksperymentalnymi danymi niż proste dane, na których został początkowo przetestowany, które obejmowały dość proste dane. Zespół badawczy z MIT ma nadzieję udoskonalić możliwości DeepBAR do obliczania energii wiązania dla dużych białek, doskonaląc model przy użyciu ostatnich postępów w dziedzinie informatyki.

DeepBAR jest daleko od pierwszej próby zastosowania sztucznej inteligencji w procesie odkrywania leków w celu zwiększenia prędkości odkrywania leków. Wiele innych projektów badawczych również wykorzystało sztuczną inteligencję do zautomatyzowania aspektów procesu odkrywania leków i poprawy ich wydajności. Jednak może istnieć naturalna butelka w procesie, która ogranicza skuteczność tych strategii.

Jak Derek Lowe niedawno argumentował na blogu ScienceMag.org, jeśli celem jest zwiększenie prędkości odkrywania leków, ważne jest „atakowanie właściwych problemów”. Ocena skuteczności i bezpieczeństwa leków w badaniach klinicznych wymaga znacznej ilości czasu, a znalezienie sposobów na zastosowanie sztucznej inteligencji w celu zmniejszenia wskaźników niepowodzenia w badaniach klinicznych jest trudne. Ostatecznie, może istnieć dolna granica czasu, jaki metody sztucznej inteligencji mogą zaoszczędzić w procesie odkrywania leków, przynajmniej do czasu, aż sztuczna inteligencja będzie mogła być znacząco zintegrowana z procesem oceny klinicznej. Niemniej, ulepszenia to ulepszenia, a im więcej badań takich jak DeepBAR jest prowadzonych, tym więcej czasu naukowcy będą mieli, aby rozważyć sposoby zastosowania sztucznej inteligencji w innych obszarach procesu odkrywania leków, co może zaoszczędzić czas w odkrywaniu leków, przynajmniej do czasu, aż sztuczna inteligencja będzie mogła być znacząco zintegrowana z procesem oceny klinicznej. Niemniej, ulepszenia to ulepszenia i im więcej badań takich jak DeepBAR jest prowadzonych, tym więcej czasu naukowcy będą mieli, aby rozważyć sposoby zastosowania sztucznej inteligencji w innych obszarach procesu odkrywania leków.