Cilj raziskovalcev je povečati hitrost odkrivanja zdravil z izračunom učinkovitosti vezave z AI

Raziskovalci z MIT so nedavno razvili novo tehniko, ki jo poganja umetna inteligenca, da bi pospešili odkrivanje zdravil s povečanjem hitrosti izračunov, ki se uporabljajo za oceniti afiniteto molekularne vezave zdravila.

Zdravilo mora biti sposobno oprijeti se beljakovin, da lahko opravi nalogo, za katero je bilo zasnovano. Ocenjevanje sposobnosti zdravila, da se drži beljakovin, je glavni del postopka odkrivanja in presejanja zdravil, tehnike strojnega učenja pa bi lahko skrajšale čas, porabljen za ocenjevanje te pomembne lastnosti zdravila.

Raziskovalna skupina MIT, odgovorna za razvoj nove tehnike ocenjevanja zdravil, jo imenuje DeepBAR. DeepBAR združuje algoritme strojnega učenja s tradicionalnimi kemijskimi izračuni. DeepBAR izračuna vezavni potencial danega kandidata za zdravilo in ciljnih proteinov tega zdravila. Nova tehnika analize daje ocene vezavne sposobnosti zdravila bistveno hitreje kot tradicionalne metode, ki se uporabljajo za ocenjevanje vezavnih afinitet, in upamo, da lahko tehnika poveča hitrost odkrivanja zdravil.

Vezavni potencial zdravila je kvantificiran z metriko, imenovano vezavna prosta energija, kjer manjše število označuje večji vezavni potencial. Nizek rezultat vezavne proste energije pomeni, da ima zdravilo veliko sposobnost tekmovati z drugimi molekulami, pri čemer zapolni vloge teh molekul in moti normalno delovanje beljakovine. Obstaja visoka korelacija med vezavno prosto energijo kandidata za zdravilo in učinkovitostjo tega zdravila. Vendar pa je lahko merjenje proste energije vezave precej težavno.

Za merjenje prostih vezavnih energij se uporabljata dve tipični tehniki. Ena metoda je izračun natančne količine vezavne proste energije, druga pa ocena količine vezavne proste energije. Ocene so računsko manj drage od natančnih meritev, vendar očitno prinašajo kompromisno netočnost.

Metoda DeepBAR uporablja delček računske moči natančnih merilnih metod, vendar zagotavlja zelo natančne ocene veznih energij. DeepBAR uporablja »Bennettovo razmerje sprejemljivosti«, ki je algoritem, ki se običajno uporablja za izračun proste energije vezave. Bennetovo razmerje sprejemljivosti zahteva uporabo dveh izhodiščnih/končnih stanj in različnih vmesnih stanj (ki so stanja delne vezave). Pristop DeepBAR poskuša zmanjšati število izračunov, potrebnih za oceno veznih energij, z uporabo Bennettovega sprejemljivega razmerja skupaj z okviri strojnega učenja in globokimi generativnimi modeli. Modeli strojnega učenja ustvarijo referenčno stanje za vsako končno točko in te končne točke so dovolj natančne glede na dejanske končne točke, da je mogoče uporabiti Bennettovo razmerje sprejemljivosti.

Globoko generativni model, ki ga je oblikovala raziskovalna skupina MIT, temelji na tehnikah računalniškega vida. V bistvu DeepBAR vsako molekularno strukturo, ki jo analizira, obravnava kot sliko, pri čemer analizira značilnosti "slike", da se namesto njih uči. Raziskovalna skupina je morala nekoliko spremeniti algoritem, da se je prilagodila analizi 3D struktur, saj algoritmi računalniškega vida običajno delujejo na 2D slikah.

V začetnih testih je DeepBAR lahko izračunal prosto energijo vezave približno 50-krat hitreje kot tradicionalne tehnike. Na modelu je treba še delati. Preveriti ga je treba glede na bolj zapletene, eksperimentalne podatke kot precej preproste podatke, na katerih je bil prvotno preizkušen, ki so vključevali dokaj preproste podatke. Raziskovalna skupina MIT želi izboljšati sposobnost DeepBar-a za izračun proste energije vezave za velike beljakovine z izboljšanjem modela z uporabo nedavnega napredka v računalniški znanosti.

DeepBAR še zdaleč ni prvi poskus uporabe umetne inteligence v procesu odkrivanja zdravil s ciljem povečanja hitrosti odkrivanja zdravil. Tudi številni drugi raziskovalni projekti so uporabili AI za avtomatizacijo vidika cevovoda za odkrivanje zdravil in izboljšanje njihove učinkovitosti. Vendar pa lahko obstaja naravno ozko grlo, ki omejuje učinkovitost teh strategij.

Kot nedavno Derek Lowe trdil v blogu na ScienceMag.org, če je cilj povečati hitrost odkrivanja zdravil, je pomembno "napasti prave težave". Vrednotenje klinične učinkovitosti in varnosti zdravil zahteva precej časa in težko je najti načine za uporabo umetne inteligence za zmanjšanje stopnje kliničnih neuspehov. Navsezadnje bi lahko obstajala spodnja meja časa, ki ga metode umetne inteligence lahko prihranijo v smislu odkrivanja zdravil, vsaj dokler umetne inteligence ni mogoče smiselno vključiti v proces kliničnega vrednotenja. Kljub temu so izboljšave izboljšave in več raziskav, kot je DeepBAR, bo opravljenih, več časa bodo morali znanstveniki razmisliti o načinih uporabe umetne inteligence na drugih področjih cevovoda za odkrivanje zdravil.