Исследователи Стремятся Ускорить Процесс Открытия Лекарств, Рассчитывая Эффективность Связывания С Помощью ИИ

Исследователи из MIT недавно разработали новый метод, основанный на ИИ, для ускорения открытия лекарств путем увеличения скорости расчетов, используемых для оценки молекулярной эффективности связывания лекарства.

Лекарство должно быть способно прикрепляться к белкам, чтобы выполнять задачи, для которых оно было предназначено. Оценка способности лекарства прикрепляться к белкам является важной частью процесса открытия и скрининга лекарств, и методы машинного обучения могут сократить время, затрачиваемое на оценку этого важного атрибута лекарства.

Команда исследователей MIT, ответственная за разработку нового метода оценки лекарств, называет его DeepBAR. DeepBAR сочетает алгоритмы машинного обучения с традиционными химическими расчетами. DeepBAR рассчитывает потенциал связывания данного кандидата на лекарство и его целевых белков. Новый метод анализа обеспечивает оценку способности лекарства связываться значительно быстрее, чем традиционные методы, используемые для оценки эффективности связывания, и надеются, что этот метод может повысить скорость открытия лекарств.

Потенциал связывания лекарства количественно оценивается с помощью метрики, называемой свободной энергией связывания, где меньшее число указывает на большую эффективность связывания. Низкий показатель свободной энергии связывания означает, что лекарство имеет большую способность конкурировать с другими молекулами, заполняя их роли и нарушающая нормальную функцию белка. Высокая корреляция существует между свободной энергией связывания кандидата на лекарство и эффективностью этого лекарства. Однако измерение свободной энергии связывания может быть довольно сложным.

Существует два типичных метода измерения свободной энергии связывания. Один метод заключается в расчете точного количества свободной энергии связывания, а другой – в оценке количества свободной энергии связывания. Оценки менее вычислительно дорогие, чем точные измерения, но они, очевидно, имеют компромисс в точности.

Метод DeepBAR использует лишь часть вычислительной мощности точных методов измерения, но обеспечивает высокоточные оценки энергий связывания. DeepBAR использует “коэффициент принятия Беннетта”, который является алгоритмом, обычно используемым для расчета свободной энергии связывания. Коэффициент принятия Беннетта требует использования двух базовых/конечных состояний и ряда промежуточных состояний (которые являются состояниями частичного связывания). Подход DeepBAR пытается сократить количество расчетов, необходимых для оценки энергий связывания, используя коэффициент принятия Беннетта вместе с фреймворками машинного обучения и глубокими генеративными моделями. Модели машинного обучения генерируют эталонное состояние для каждого конечного состояния, и эти конечные состояния достаточно точны, чтобы коэффициент принятия Беннетта мог быть развернут.

Глубокая генеративная модель, разработанная командой исследователей MIT, основана на методах компьютерного зрения. По сути, DeepBAR рассматривает каждую молекулярную структуру, которую он анализирует, как изображение, анализируя особенности “изображения”, чтобы учиться на них. Команда исследователей должна была внести незначительные изменения в алгоритм, чтобы приспособить анализ 3D-структур, поскольку алгоритмы компьютерного зрения обычно работают с 2D-изображениями.

В первых тестах DeepBAR смог рассчитать свободную энергию связывания примерно в 50 раз быстрее, чем традиционные методы. Еще есть работа, которую необходимо выполнить над моделью. Ее необходимо проверить на более сложных, экспериментальных данных, чем довольно простые данные, на которых она была первоначально протестирована, которые включали достаточно простые данные. Команда исследователей MIT стремится улучшить способность DeepBAR рассчитывать свободные энергии связывания для крупных белков, совершенствуя модель с помощью недавних достижений в области информатики.

DeepBAR далеко не первая попытка применения ИИ к процессу открытия лекарств с целью увеличения скорости открытия лекарств. Многие другие исследовательские проекты также использовали ИИ для автоматизации аспектов процесса открытия лекарств и повышения их эффективности. Однако может быть естественный предел, ограничивающий эффективность этих стратегий.

Как недавно утверждал Дерек Лоу в блоге на ScienceMag.org, если цель состоит в том, чтобы повысить скорость открытия лекарств, важно “решать правильные проблемы”. Оценка клинической эффективности и безопасности лекарств занимает значительное количество времени, и поиск способов использовать ИИ для снижения клинических показателей неудач является сложной задачей. В конечном итоге, может быть нижний предел времени, который методы ИИ могут сэкономить в процессе открытия лекарств, по крайней мере до тех пор, пока ИИ не будет осмысленно интегрирован в процесс клинической оценки. Тем не менее, улучшения – это улучшения, и чем больше исследований, подобных DeepBAR, будет проведено, тем больше времени у ученых будет, чтобы рассмотреть способы использования ИИ в других областях процесса открытия лекарств.