Cercetătorii își propun să accelereze descoperirea de medicamente prin calcularea eficienței de legare cu ajutorul inteligenței artificiale

Cercetători de la MIT au dezvoltat recent o nouă tehnică bazată pe inteligență artificială pentru a accelera descoperirea de medicamente, prin creșterea vitezei de calcul a legării moleculare a unui medicament.

Pentru a-și îndeplini scopul, un medicament trebuie să se poată lega de proteine. Evaluarea capacității unui medicament de a se lega de proteine este o parte importantă a procesului de descoperire și selecție a medicamentelor, iar tehniciile de învățare automată pot reduce timpul necesar pentru evaluarea acestui atribut important al medicamentului.

Echipa de cercetare de la MIT, responsabilă pentru 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 sale țintă. Noua tehnică de analiză oferă estimări ale capacității de legare a unui medicament într-un timp semnificativ mai scurt decât metodele tradiționale utilizate pentru evaluarea afinității de legare, și se speră că această tehnică poate crește viteza de descoperire a medicamentelor.

Potențialul de legare al unui medicament este cuantificat printr-o măsură numită energie liberă de legare, unde un număr mai mic indică un potențial 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 măsurarea energiilor libere de legare. O metodă constă în calcularea cantității exacte de energie liberă de legare, în timp ce cealaltă metodă constă în estimarea cantității de energie liberă de legare. Estimările sunt mai puțin costisitoare din punct de vedere computațional decât măsurătorile exacte, dar, desigur, vin cu un compromis în ceea ce privește precizia.

Metoda DeepBAR utilizează o fracțiune din puterea de calcul a metodelor de măsurare exactă, dar oferă estimări foarte precise ale energiilor de legare. DeepBAR folosește “raportul de acceptare Bennett”, care este algoritmul utilizat în mod normal pentru calcularea energiei libere 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 estimarea energiilor de legare prin utilizarea raportului de acceptare Bennett alături de cadre de învățare automată și de 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 într-un raport de acceptare Bennett.

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

În testele inițiale, DeepBAR a putut calcula energia liberă de legare aproximativ de 50 de ori mai rapid decât tehnicile tradiționale. Mai există încă lucruri de făcut asupra modelului. Acesta trebuie validat împotriva unor date experimentale mai complexe decât datele relativ simple pe care a fost testat inițial, care implicau date destul de simple. Echipa de cercetare de la MIT își propune să îmbunătățească capacitatea DeepBAR de a calcula energiile libere de legare pentru proteine mari, prin rafinarea modelului utilizând progresele recente în informatică.

DeepBAR este departe de a fi prima încercare de a aplica inteligența artificială în lanțul de descoperire a medicamentelor, cu scopul de a crește viteza de descoperire a medicamentelor. Multe alte proiecte de cercetare au utilizat, de asemenea, inteligența artificială pentru a automatiza aspecte ale lanțului de descoperire a medicamentelor și pentru a-și îmbunătăți eficiența. 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 crește viteza de descoperire a 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 timpului pe care metodele bazate pe inteligență artificială le pot economisi în ceea ce privește descoperirea de medicamente, 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 mai mult timp vor avea oamenii de știință pentru a considera modalități de a utiliza inteligența artificială în alte domenii ale lanțului de descoperire a medicamentelor.