Cercetătorii Își Propun Să Îmbunătățească Viteza Descoperirii Medicamentelor Prin Calcularea Eficacității Legării Cu Ajutorul Inteligenței Artificiale

Cercetătorii de la MIT au dezvoltat recent o nouă tehnică condusă de inteligență artificială pentru a accelera descoperirea medicamentelor prin creșterea vitezei calculelor utilizate pentru a evalua afinitatea de legare moleculară a unui medicament.

Un medicament trebuie să poată adera la proteine pentru a-și îndeplini sarcina pentru care a fost proiectat. Evaluarea capacității unui medicament de a adera la proteine este o parte importantă a procesului de descoperire și selecție a medicamentelor, iar tehnicile de învățare automată pot reduce timpul necesar pentru evaluarea acestui atribut important al medicamentului.

Echipa de cercetare MIT responsabilă cu dezvoltarea noii tehnici de evaluare a medicamentelor o numește DeepBAR. DeepBAR combină algoritmi de învățare automată cu calcule chimice tradiționale. DeepBAR calculează potențialul de legare al unui medicament candidat și al proteinelor țintă ale acestuia. Noua tehnică de analiză oferă estimări ale capacității de legare a unui medicament în mod semnificativ mai rapid decât metodele tradiționale utilizate pentru a evalua afinitățile de legare, și se speră că această tehnică poate îmbunătăți viteza descoperirii medicamentelor.

Potențialul de legare al unui medicament este cuantificat prin intermediul unei metrice numite energie liberă de legare, unde un număr mai mic indică o capacitate de legare mai mare. Un scor de energie liberă de legare scăzut înseamnă că un medicament are o capacitate mare de a concura cu alte molecule, ocupând rolurile acestor molecule și perturbând funcționarea normală a unei proteine. Există o corelație ridicată între energia liberă de legare a unui candidat la medicament și eficacitatea acestui medicament. Cu toate acestea, măsurarea energiei libere de legare poate fi destul de dificilă.

Există două tehnici tipice utilizate pentru a măsura energiile libere de legare. O metodă constă în calcularea cantității exacte de energie liberă de legare, în timp ce cealaltă constă în estimarea cantității de energie liberă de legare. Estimările sunt mai puțin costisitoare din punct de vedere computațional decât măsurătorile exacte, dar, evident, vin cu un compromis în ceea ce privește acuratețea.

Metoda DeepBAR utilizează o fracțiune din puterea de calcul a metodelor de măsurare exactă, dar oferă estimări foarte precise ale energiilor de legare. DeepBAR utilizează “raportul de acceptare Bennett”, care este algoritmul utilizat în mod normal pentru a calcula energia liberă de legare. Raportul de acceptare Bennett necesită utilizarea a două stări de referință și a mai multor stări intermediare (care sunt stări de legare parțială). Abordarea DeepBAR încearcă să reducă numărul de calcule necesare pentru a estima energiile de legare prin utilizarea raportului de acceptare Bennett împreună cu cadre de învățare automată și modele generative profunde. Modelele de învățare automată generează o stare de referință pentru fiecare punct de capăt, și aceste puncte de capăt sunt suficient de precise pentru a putea fi utilizate raportul de acceptare Bennett.

Modelul generativ profund proiectat de echipa de cercetare MIT se bazează pe tehnici de vizualizare computerizată. În esență, DeepBAR tratează fiecare structură moleculară pe care o analizează ca o imagine, analizând caracteristicile “imaginii” pentru a învăța din ele. Echipa de cercetare a trebuit să facă modificări minore ale algoritmului pentru a adapta analiza structurilor tridimensionale, deoarece algoritmii de vizualizare computerizată funcționează în mod normal pe imagini bidimensionale.

În testele inițiale, DeepBAR a fost capabil să calculeze energia liberă de legare aproximativ de 50 de ori mai rapid decât tehnicile tradiționale. Încă există lucruri de făcut pe model. Trebuie validat împotriva unor date experimentale mai complexe decât datele relativ simple pe care a fost testat inițial, care au implicat date destul de simple. Echipa de cercetare MIT își propune să îmbunătățească capacitatea DeepBAR de a calcula energiile libere de legare pentru proteine mari prin rafinarea modelului utilizând avansurile recente în informatică.

DeepBAR este departe de a fi prima încercare de a aplica inteligența artificială în pipeline-ul de descoperire a medicamentelor, cu scopul de a crește viteza descoperirii medicamentelor. Multe alte proiecte de cercetare au utilizat, de asemenea, inteligența artificială pentru a automatiza aspecte ale pipeline-ului de descoperire a medicamentelor și pentru a îmbunătăți eficiența acestuia. Cu toate acestea, ar putea exista un blocaj natural care limitează eficacitatea acestor strategii.

După cum a argumentat recent Derek Lowe într-un blog pe ScienceMag.org, dacă scopul este de a îmbunătăți viteza descoperirii medicamentelor, este important să “atacăm problemele potrivite”. Evaluarea eficacității clinice și a siguranței medicamentelor necesită o cantitate semnificativă de timp, și găsirea de modalități de a utiliza inteligența artificială pentru a reduce ratele de eșec clinic este dificilă. În cele din urmă, ar putea exista o limită inferioară a cantității de timp pe care metodele de inteligență artificială le pot economisi în ceea ce privește descoperirea medicamentelor, cel puțin până când inteligența artificială poate fi integrată în mod semnificativ în procesul de evaluare clinică. Cu toate acestea, îmbunătățirile sunt îmbunătățiri, și cu cât se fac mai multe cercetări precum DeepBAR, cu atât oamenii de știință vor avea mai mult timp pentru a considera modalități de a utiliza inteligența artificială în alte domenii ale pipeline-ului de descoperire a medicamentelor.