AI används för att skapa läkemedelsmolekyl som kan bekämpa fibros

Att skapa nya läkemedel är en komplex process som kan ta år av forskning och miljarder dollar. Ändå är det ett viktigt investering att göra för människors hälsa. Artificiell intelligens kan potentiellt göra upptäckten av nya läkemedel lättare och avsevärt snabbare om det senaste arbetet från startup-företaget Insilico Medicine fortsätter att göra framsteg. Som rapporterats av SingularityHub, har AI-startup-företaget nyligen använt AI för att designa en molekyl som kan bekämpa fibros.

Givet hur komplex och tidskrävande processen att upptäcka nya molekyler för ett läkemedel är, letar forskare och ingenjörer ständigt efter sätt att påskynda den. Idén att använda datorer för att hjälpa till att upptäcka nya läkemedel är ingenting nytt, eftersom konceptet har funnits i decennier. Men framstegen på detta område har varit långsamma, med ingenjörer som kämpar för att hitta rätt algoritmer för läkemedelsutveckling.

Deep learning har börjat göra AI-driven läkemedelsupptäckt mer livskraftig, med läkemedelsföretag som investerar kraftigt i AI-startup-företag under de senaste åren. Ett företag har lyckats använda AI för att designa en molekyl som kan bekämpa fibros, och det tog bara 46 dagar att skapa en molekyl som liknar terapeutiska läkemedel. Insilco Medicine kombinerade två olika deep learning-tekniker för att uppnå detta resultat: förstärkt inlärning och generativa adversariala nätverk (GANs).

Förstärkt inlärning är en maskinlärningsmetod som uppmuntrar maskinlärningsmodellen att fatta vissa beslut genom att ge nätverket feedback som framkallar vissa reaktioner. Modellen kan bestraffas för att fatta önskvärda val eller belönas för att fatta önskvärda val. Genom att använda en kombination av både negativ och positiv förstärkning guidas modellen mot att fatta önskvärda beslut, och den kommer att sträva efter att fatta beslut som minimerar bestraffning och maximerar belöning.

Samtidigt är generativa adversariala nätverk “adversariala” eftersom de består av två olika neurala nätverk som är riktade mot varandra. De två nätverken får exempel på objekt att träna på, ofta bilder. Uppgiften för det ena nätverket är att skapa ett förfalskat objekt, något tillräckligt likt det riktiga objektet så att det kan förväxlas med den äkta varan. Uppgiften för det andra nätverket är att upptäcka förfalskade objekt. De två nätverken försöker överträffa varandra, och när de båda förbättrar sin prestanda för att överträffa det andra nätverket, leder denna virtuella kapprustning till att den förfalskade modellen genererar objekt som är nästan oändliga från den riktiga varan.

Genom att kombinera både GANs och förstärkt inlärningsalgoritmer kunde forskarna få sina modeller att producera nya läkemedelsmolekyler som är extremt lika redan existerande terapeutiska läkemedel.

Resultaten från Insilico Medicines experiment med AI-läkemedelsupptäckt publicerades nyligen i tidskriften Nature Biotechnology. I artikeln diskuterar forskarna hur de djupa inlärningsmodellerna tränades. Forskarna tog representationer av molekyler som redan används i läkemedel för att hantera proteiner involverade i idiopatisk lungfibros eller IPF. Dessa molekyler användes som grund för träning och de kombinerade modellerna kunde generera cirka 30 000 möjliga läkemedelsmolekyler.

Forskarna sorterade sedan genom de 30 000 kandidatmolekylerna och valde de sex mest lovande molekylerna för laboratorietestning. Dessa sex finalister syntetiserades i laboratoriet och användes i en serie tester som spårade deras förmåga att målinrikta IPF-proteinet. En molekyl i synnerhet verkade lovande, eftersom den levererade den typ av resultat som önskas i ett medicinskt läkemedel.

Det är viktigt att notera att den fibros-läkemedel som riktades i experimentet redan har forskats om i stor utsträckning, med flera effektiva läkemedel som redan existerar för det. Forskarna kunde referera till dessa läkemedel, och detta gav forskargruppen en fördel eftersom de hade en betydande mängd data att träna sina modeller på. Detta gäller inte för många andra sjukdomar, och som ett resultat finns det en större lucka att fylla på dessa behandlingar.

En annan viktig faktor är att företagets nuvarande läkemedelsutvecklingsmodell endast hanterar den initiala upptäcktsprocessen, och att de molekyler som genereras av deras modell fortfarande kommer att kräva många justeringar och optimeringar innan molekylerna potentiellt kan användas för kliniska prövningar.

Enligt Wired, erkänner Insilico Medicines VD Alex Zhavornokov att deras AI-drivna läkemedel inte är redo för fältanvändning, och att den nuvarande studien bara är ett bevis på konceptet. Målet med detta experiment var att se hur snabbt ett läkemedel kunde designas med hjälp av AI-system. Men Zhavornokov noterar att forskarna kunde designa en potentiellt användbar molekyl mycket snabbare än de kunde ha gjort om de hade använt vanliga läkemedelsupptäcktsmetoder.

Trots förbehållen representerar Insilico Medicines forskning fortfarande en betydande framsteg i användningen av AI för att skapa nya läkemedel. Raffineringen av de tekniker som användes i studien kan avsevärt förkorta den tid som krävs för att utveckla ett nytt läkemedel. Detta kan visa sig särskilt användbart i en era där antibiotikaresistenta bakterier sprider sig och många tidigare effektiva läkemedel förlorar sin kraft.