นักวิจัยมุ่งเพิ่มความเร็วการค้นพบยาโดยการคำนวณประสิทธิภาพการยึดเกาะด้วย AI

นักวิจัยจาก MIT ได้พัฒนาวิธีการใหม่โดยใช้ AI เพื่อเพิ่มความเร็วในการค้นพบยา โดยการเพิ่มความเร็วในการคำนวณที่ใช้เพื่อประเมินความสามารถในการยึดเกาะของยา ที่ระดับโมเลกุล

ยาแต่ละชนิดจะต้องสามารถยึดเกาะกับโปรตีนเพื่อให้สามารถทำงานได้อย่างมีประสิทธิภาพ การประเมินความสามารถในการยึดเกาะของยาคือส่วนสำคัญของกระบวนการค้นพบและทดสอบยา และเทคนิคการเรียนรู้ของเครื่องจักรสามารถลดเวลาในการประเมินลักษณะสำคัญของยาที่จำเป็นนี้ได้

ทีมนักวิจัยจาก MIT ที่รับผิดชอบในการพัฒนาวิธีการประเมินยาที่ใหม่นี้เรียกว่า DeepBAR DeepBAR รวมเอาแอลกอริทึมการเรียนรู้ของเครื่องจักรเข้ากับการคำนวณเคมีแบบดั้งเดิม DeepBAR คำนวณศักยภาพการยึดเกาะของยาที่เป็น候ัดจับและโปรตีนที่เป็นเป้าหมายของยา เทคนิคการวิเคราะห์ใหม่นี้ให้ผลลัพธ์ที่เร็วกว่าวิธีการแบบดั้งเดิมที่ใช้ในการประเมินความสามารถในการยึดเกาะ และหวังว่าจะสามารถเพิ่มความเร็วในการค้นพบยาได้

ศักยภาพการยึดเกาะของยาจะถูก量化ผ่านเมตริกที่เรียกว่าพลังงานการยึดเกาะอิสระ โดยที่ตัวเลขที่น้อยกว่าจะบ่งชี้ถึงศักยภาพการยึดเกาะที่มากกว่า คะแนนพลังงานการยึดเกาะอิสระที่ต่ำหมายความว่ายามีความสามารถในการแข่งขันกับโมเลกุลอื่นๆ สูง และสามารถเข้ามาแทนที่โมเลกุลเหล่านั้นได้ และรบกวนการทำงานปกติของโปรตีน มีความสัมพันธ์ที่สูงระหว่างพลังงานการยึดเกาะอิสระของยากับประสิทธิภาพของยา แต่การวัดพลังงานการยึดเกาะอิสระอาจเป็นเรื่องที่ยาก

มีเทคนิคทั่วไปสองแบบที่ใช้ในการวัดพลังงานการยึดเกาะอิสระ วิธีหนึ่งคือการคำนวณปริมาณพลังงานการยึดเกาะอิสระที่แน่นอน ในขณะที่อีกวิธีหนึ่งคือการประมาณปริมาณพลังงานการยึดเกาะอิสระ การประมาณมีค่าใช้จ่ายในการคำนวณที่ต่ำกว่าการวัดค่าที่แน่นอน แต่สูญเสียความแม่นยำไปบ้าง

วิธีการ DeepBAR ใช้พลังการคำนวณเพียงเศษส่วนของวิธีการวัดที่แน่นอน แต่ให้ผลลัพธ์ที่แม่นยำสูงในการประมาณพลังงานการยึดเกาะ DeepBAR ใช้ “อัตราการยอมรับของเบ็นเนตต์” ซึ่งเป็นอัลกอริทึมที่ใช้ในการคำนวณพลังงานการยึดเกาะอิสระ อัตราการยอมรับของเบ็นเนตต์ต้องการการใช้สถานะฐาน/จุดสิ้นสุดสองสถานะและสถานะระหว่างหลายสถานะ (ซึ่งเป็นสถานะการยึดเกาะบางส่วน) วิธีการ DeepBAR พยายามลดจำนวนการคำนวณที่จำเป็นในการประมาณพลังงานการยึดเกาะโดยใช้อัตราการยอมรับของเบ็นเนตต์พร้อมกับเฟรมเวิร์กการเรียนรู้ของเครื่องจักรและโมเดลสร้างแบบลึก โมเดลการเรียนรู้ของเครื่องจักรสร้างสถานะอ้างอิงสำหรับจุดสิ้นสุดแต่ละจุด และจุดสิ้นสุดเหล่านี้มีความแม่นยำพอที่จะใช้อัตราการยอมรับของเบ็นเนตต์ได้

โมเดลสร้างแบบลึกที่ออกแบบโดยทีมนักวิจัยจาก MIT เป็นไปตามเทคนิคการมองเห็นของคอมพิวเตอร์ โดยพื้นฐานแล้ว DeepBAR ถือว่าโครงสร้างโมเลกุลที่วิเคราะห์ทุกตัวเป็น “ภาพ” และวิเคราะห์ลักษณะของ “ภาพ” เพื่อเรียนรู้จากมัน ทีมนักวิจัยต้องทำการเปลี่ยนแปลงเล็กน้อยในอัลกอริทึมเพื่อให้เหมาะสมกับการวิเคราะห์โครงสร้าง 3 มิติ เนื่องจากอัลกอริทึมการมองเห็นของคอมพิวเตอร์โดยทั่วไปจะทำงานกับภาพ 2 มิติ

ในการทดสอบเบื้องต้น DeepBAR สามารถคำนวณพลังงานการยึดเกาะอิสระได้เร็วกว่าวิธีการแบบดั้งเดิมประมาณ 50 เท่า ยังมีงานที่ต้องทำในแบบจำลองนี้ โดยต้องตรวจสอบความถูกต้องกับข้อมูลทดลองที่ซับซ้อนมากกว่าข้อมูลที่ใช้ในการทดสอบเบื้องต้น ซึ่งเกี่ยวข้องกับข้อมูลที่ค่อนข้างง่าย ทีมนักวิจัยจาก MIT มุ่งหวังที่จะปรับปรุงความสามารถของ DeepBar ในการคำนวณพลังงานการยึดเกาะอิสระสำหรับโปรตีนขนาดใหญ่โดยการปรับปรุงแบบจำลองโดยใช้ความก้าวหน้าล่าสุดในด้านวิทยาการคอมพิวเตอร์

DeepBAR ไม่ใช่ความพยายามแรกในการนำ AI มาใช้ในกระบวนการค้นพบยาเพื่อเพิ่มความเร็วในการค้นพบยา โครงการวิจัยอื่นๆ มากมายได้นำ AI มาใช้เพื่อทำให้กระบวนการค้นพบยาอัตโนมัติและปรับปรุงประสิทธิภาพ แต่อาจมีจุดอุดตันตามธรรมชาติที่จำกัดประสิทธิผลของกลยุทธ์เหล่านี้

ตามที่ Derek Lowe ได้โต้แย้งใน บล็อกบน ScienceMag.org หากเป้าหมายคือการเพิ่มความเร็วในการค้นพบยา จะต้อง “โจมตีปัญหาอย่างถูกต้อง” การประเมินประสิทธิผลและความปลอดภัยของยาทางคลินิกต้องใช้เวลาอย่างมาก และการค้นหาวิธีการใช้ AI เพื่อลดอัตราการล้มเหลวทางคลินิกเป็นเรื่องที่ยาก สุดท้าย อาจมีขอบเขตล่างสำหรับเวลาที่วิธีการ AI สามารถช่วยประหยัดในการค้นพบยาได้ อย่างน้อยจนกว่า AI จะสามารถรวมเข้ากับกระบวนการประเมินทางคลินิกได้อย่างมีความหมาย อย่างไรก็ตาม การปรับปรุงเหล่านี้เป็นการปรับปรุง และการวิจัยเช่น DeepBAR จะช่วยให้นักวิทยาศาสตร์มีเวลาในการพิจารณาวิธีการใช้ AI ในพื้นที่อื่นๆ ของกระบวนการค้นพบยา