นักวิจัยมุ่งเพิ่มความเร็วการค้นพบยาโดยการคำนวณประสิทธิภาพการยึดเกาะด้วย AI

นักวิจัยจาก MIT ได้พัฒนาวิธีการใหม่โดยใช้ AI เพื่อเพิ่มความเร็วในการค้นพบยา โดยการเพิ่มความเร็วในการคำนวณเพื่อประเมินความสามารถในการยึดเกาะของยา

ยาต้องสามารถยึดเกาะกับโปรตีนเพื่อให้สามารถทำงานได้ตามที่ออกแบบมา การประเมินความสามารถในการยึดเกาะของยาคือส่วนสำคัญของกระบวนการค้นพบและทดสอบยา และเทคนิคการเรียนรู้ของเครื่องจักรสามารถช่วยลดเวลาในการประเมินลักษณะสำคัญของยานี้

ทีมวิจัยจาก MIT ที่พัฒนาวิธีการประเมินยาที่เรียกว่า DeepBAR ได้รวมเอาเทคนิคการเรียนรู้ของเครื่องจักรเข้ากับการคำนวณเคมีแบบดั้งเดิม DeepBAR คำนวณศักยภาพในการยึดเกาะของยาที่เป็นไปได้และโปรตีนที่เป็นเป้าหมายของยา เทคนิคการวิเคราะห์ใหม่นี้ให้ผลลัพธ์ที่เร็วกว่าวิธีการแบบดั้งเดิมในการประเมินความสามารถในการยึดเกาะ และหวังว่าจะช่วยเพิ่มความเร็วในการค้นพบยา

ศักยภาพในการยึดเกาะของยาได้มาจากการวัดค่าพลังงานการยึดเกาะ ซึ่งหมายถึงค่าพลังงานที่ต่ำกว่าแสดงถึงศักยภาพในการยึดเกาะที่ดีกว่า ค่าพลังงานการยึดเกาะที่ต่ำหมายถึงยามีความสามารถในการแข่งขันกับโมเลกุลอื่น ๆ และสามารถเข้ามาแทนที่โมเลกุลเหล่านั้นได้ และมีความสัมพันธ์ที่สูงระหว่างค่าพลังงานการยึดเกาะของยากับประสิทธิภาพของยา แต่การวัดค่าพลังงานการยึดเกาะอาจเป็นเรื่องที่ยาก

มีวิธีการสองวิธีในการวัดค่าพลังงานการยึดเกาะ วิธีหนึ่งคือการคำนวณค่าพลังงานการยึดเกาะที่แน่นอน และอีกวิธีหนึ่งคือการประมาณค่าพลังงานการยึดเกาะ การประมาณค่านั้นใช้พลังการคำนวณน้อยกว่าการคำนวณค่าที่แน่นอน แต่ก็มีความไม่แม่นยำมากกว่า

วิธีการ DeepBAR ใช้พลังการคำนวณเพียงเศษเสี้ยวของวิธีการคำนวณค่าที่แน่นอน แต่ให้ผลลัพธ์ที่แม่นยำในการประมาณค่าพลังงานการยึดเกาะ DeepBAR ใช้เทคนิค “อัตราการยอมรับของเบ็นเนตต์” ซึ่งเป็นอัลกอริทึมที่ใช้ในการคำนวณค่าพลังงานการยึดเกาะ อัลกอริทึมเบ็นเนตต์จำเป็นต้องใช้สถานะฐาน/จุดสิ้นสุดและสถานะระหว่างกลาง (ซึ่งเป็นสถานะการยึดเกาะบางส่วน) วิธีการ DeepBAR พยายามที่จะลดจำนวนการคำนวณที่จำเป็นในการประมาณค่าพลังงานการยึดเกาะโดยใช้อัลกอริทึมเบ็นเนตต์ควบคู่ไปกับโครงสร้างการเรียนรู้ของเครื่องจักรและแบบจำลองการสร้างที่ลึก โครงสร้างการเรียนรู้ของเครื่องจักรสร้างสถานะอ้างอิงสำหรับจุดสิ้นสุดแต่ละจุด และสถานะอ้างอิงเหล่านั้นแม่นยำพอที่จะใช้อัลกอริทึมเบ็นเนตต์ได้

แบบจำลองการสร้างที่ลึกที่ออกแบบโดยทีมวิจัยจาก MIT มีพื้นฐานมาจากเทคนิคการมองเห็นของคอมพิวเตอร์ โดยพื้นฐานแล้ว DeepBAR รักษาโครงสร้างโมเลกุลที่วิเคราะห์เป็น “ภาพ” และวิเคราะห์ลักษณะของ “ภาพ” เพื่อเรียนรู้จากมัน ทีมวิจัยต้องทำการเปลี่ยนแปลงเล็กน้อยกับอัลกอริทึมเพื่อให้เหมาะสมกับการวิเคราะห์โครงสร้างสามมิติ เนื่องจากอัลกอริทึมการมองเห็นของคอมพิวเตอร์โดยทั่วไปจะทำงานกับภาพสองมิติ

ในการทดสอบเบื้องต้น DeepBAR สามารถคำนวณค่าพลังงานการยึดเกาะได้เร็วกว่าวิธีการแบบดั้งเดิมถึง 50 เท่า ยังคงมีงานที่ต้องทำเพื่อพัฒนามอเดลให้สมบูรณ์แบบ มันจำเป็นต้องได้รับการตรวจสอบกับข้อมูลทดลองที่ซับซ้อนมากกว่าข้อมูลที่ใช้ในการทดสอบเบื้องต้น ซึ่งใช้ข้อมูลที่ค่อนข้างง่าย ทีมวิจัยจาก MIT มุ่งหวังที่จะปรับปรุงความสามารถของ DeepBAR ในการคำนวณค่าพลังงานการยึดเกาะสำหรับโปรตีนขนาดใหญ่โดยการปรับปรุงแบบจำลองโดยใช้ความก้าวหน้าล่าสุดในด้านวิทยาการคอมพิวเตอร์

DeepBAR ไม่ใช่ความพยายามครั้งแรกในการใช้ AI ในกระบวนการค้นพบยาเพื่อเพิ่มความเร็วในการค้นพบยา โครงการวิจัยอื่น ๆ ก็ได้ใช้ AI เพื่อทำให้กระบวนการค้นพบยามีประสิทธิภาพมากขึ้น แต่อาจมีจุดอุดตันตามธรรมชาติที่จำกัดประสิทธิภาพของกลยุทธ์เหล่านี้

ตามที่ Derek Lowe ได้โต้แย้งในบล็อกบน ScienceMag.org หากเป้าหมายคือการเพิ่มความเร็วในการค้นพบยา มันสำคัญที่จะ “โจมตีปัญหาอย่างถูกต้อง” การประเมินประสิทธิภาพและความปลอดภัยของยาทางคลินิกใช้เวลานาน และการหาวิธีใช้ AI เพื่อลดอัตราการล้มเหลวทางคลินิกนั้นเป็นเรื่องที่ยาก ในที่สุดอาจมีขอบเขตล่างสำหรับเวลาที่วิธีการ AI สามารถช่วยประหยัดได้ในการค้นพบยา至少จนกว่า AI จะสามารถรวมเข้ากับกระบวนการประเมินทางคลินิกได้อย่างมีความหมาย อย่างไรก็ตาม การปรับปรุงคือการปรับปรุง และการวิจัยเช่น DeepBAR ที่ทำมากขึ้นจะทำให้นักวิทยาศาสตร์มีเวลาในการพิจารณาวิธีการใช้ AI ในพื้นที่อื่น ๆ ของกระบวนการค้นพบยา