Studiuesit synojnë të rrisin shpejtësinë e zbulimit të barnave duke llogaritur efikasitetin e lidhjes me AI

Studiuesit nga MIT kohët e fundit kanë zhvilluar një teknikë të re të drejtuar nga AI për të përshpejtuar zbulimin e barnave duke rritur shpejtësinë e llogaritjeve të përdorura për të vlerësoni afinitetin e lidhjes molekulare të një ilaçi.

Një medikament duhet të jetë në gjendje të ngjitet në proteina në mënyrë që të kryejë detyrën për të cilën është krijuar. Vlerësimi i aftësisë së një medikamenti për t'u ngjitur te proteinat është një pjesë kryesore e procesit të zbulimit dhe shqyrtimit të barnave, dhe teknikat e mësimit të makinerive mund të zvogëlojnë sasinë e kohës së shpenzuar për vlerësimin e këtij atributi të rëndësishëm të barit.

Ekipi hulumtues i MIT përgjegjës për zhvillimin e teknikës së re të vlerësimit të drogës e quan atë DeepBAR. DeepBAR kombinon algoritmet e mësimit të makinerive me llogaritjet tradicionale të kimisë. DeepBAR llogarit potencialin lidhës të një bari të caktuar kandidat dhe proteinat e synuara të atij ilaçi. Teknika e re e analizës jep vlerësime të aftësisë lidhëse të një ilaçi shumë më shpejt se metodat tradicionale të përdorura për të vlerësuar afinitetet lidhëse, dhe shpresohet që teknika të mund të rrisë shpejtësinë e zbulimit të drogës.

Potenciali lidhës i një medikamenti matet përmes një metrike të quajtur energji e lirë lidhëse, ku një numër më i vogël tregon potencial më të madh lidhës. Një rezultat i ulët i energjisë së lirë lidhëse do të thotë që një ilaç ka një aftësi të madhe për të konkurruar me molekulat e tjera, duke plotësuar rolet e atyre molekulave dhe duke prishur funksionin normal të një proteine. Ekziston një korrelacion i lartë midis energjisë së lirë lidhëse të një kandidati për ilaçe dhe efektivitetit të atij ilaçi. Megjithatë, matja e energjisë së lirë lidhëse mund të jetë mjaft e vështirë.

Ekzistojnë dy teknika tipike që përdoren për të matur energjitë e lira të lidhjes. Njëra metodë është llogaritja e sasisë së saktë të energjisë së lirë lidhëse, ndërsa tjetra është llogaritja e sasisë së energjisë së lirë lidhëse. Vlerësimet janë më pak të shtrenjta nga ana llogaritëse sesa matjet e sakta, por ato padyshim vijnë me një pasaktësi kompensimi.

Metoda DeepBAR përdor një pjesë të fuqisë llogaritëse të metodave të sakta matëse, por jep vlerësime shumë të sakta të energjive lidhëse. DeepBAR përdor "raportin e pranimit të Bennett", i cili është algoritmi që përdoret zakonisht për të llogaritur energjinë e lirë të lidhjes. Raporti i pranimit Bennet kërkon përdorimin e dy gjendjeve bazë/pikë fundore dhe një sërë gjendjesh të ndërmjetme (të cilat janë gjendje të lidhjes së pjesshme). Qasja DeepBAR përpiqet të zvogëlojë numrin e llogaritjeve të nevojshme për të vlerësuar energjitë lidhëse duke përdorur raportin e pranimit të Bennett së bashku me kornizat e mësimit të makinës dhe modelet gjeneruese të thella. Modelet e mësimit të makinerive gjenerojnë një gjendje referimi për çdo pikë fundore dhe këto pika fundore janë mjaft të sakta në pikat përfundimtare reale që mund të vendoset një raport pranimi Bennett.

Modeli gjenerues i thellë i projektuar nga ekipi hulumtues i MIT bazohet në teknikat e vizionit kompjuterik. Në thelb, DeepBAR trajton çdo strukturë molekulare që analizon si imazh, duke analizuar tiparet e "imazhit" për të mësuar për ta. Ekipi hulumtues duhej të bënte ndryshime të lehta në algoritëm për të akomoduar analizën e strukturave 3D, pasi algoritmet e vizionit kompjuterik zakonisht funksionojnë në imazhe 2D.

Në testet fillestare, DeepBAR ishte në gjendje të llogariste energjinë e lirë të lidhjes afërsisht 50 herë më shpejt se teknikat tradicionale. Ka ende punë për të bërë në model. Duhet të vërtetohet kundrejt të dhënave më komplekse, eksperimentale sesa të dhënave mjaft të thjeshta mbi të cilat u testua fillimisht, të cilat përfshinin të dhëna mjaft të thjeshta. Ekipi hulumtues i MIT synon të përmirësojë aftësinë e DeepBar për të llogaritur energjitë e lira lidhëse për proteinat e mëdha duke rafinuar modelin duke përdorur përparimet e fundit në shkencën kompjuterike.

DeepBAR është larg nga përpjekja e parë për të aplikuar AI në tubacionin e zbulimit të drogës me synimin për të rritur shpejtësinë e zbulimit të drogës. Shumë projekte të tjera kërkimore kanë përdorur gjithashtu AI për të automatizuar aspektin e tubacionit të zbulimit të ilaçeve dhe për të përmirësuar efikasitetin e tyre. Megjithatë, mund të ketë një pengesë natyrore që kufizon efektivitetin e këtyre strategjive.

Si Derek Lowe kohët e fundit argumentoi në një blog në ScienceMag.org, nëse qëllimi është rritja e shpejtësisë së zbulimit të drogës, është e rëndësishme të "sulmoni problemet e duhura". Vlerësimi i efektivitetit klinik dhe sigurisë së barnave kërkon një kohë të konsiderueshme dhe gjetja e mënyrave për të përdorur AI për të zvogëluar shkallën e dështimit klinik është e vështirë. Në fund të fundit, mund të ketë një kufi më të ulët në sasinë e kohës që metodat e AI mund të kursejnë përsa i përket zbulimit të ilaçeve, të paktën derisa AI të integrohet në mënyrë kuptimplotë në procesin e vlerësimit klinik. Sidoqoftë, përmirësimet janë përmirësime dhe sa më shumë kërkime si DeepBAR të bëhen, aq më shumë kohë do t'u duhet shkencëtarëve të shqyrtojnë mënyrat për të përdorur AI në fusha të tjera të tubacionit të zbulimit të drogës.