Araştırmacılar İlaç Keşfini Hızlandırmak için Bağlanma Verimliliklerini AI ile Hesaplıyor

MIT’ten araştırmacılar recently bir yeni AI sürüklenen teknik geliştirdiler ilacı keşfetmek için hızlandırmak için hesaplamak için moleküler bağlanma afinitesi bir ilacın.

Bir ilaç proteinlere yapışabilmek için tasarlandığı görevi gerçekleştirebilmelidir. Bir ilacın proteinlere yapışma yeteneğini değerlendirmek, ilaç keşfi ve tarama sürecinin önemli bir parçasıdır ve makine öğrenimi teknikleri bu önemli ilaç özelliğini değerlendirmek için harcanan zamanı azaltabilir.

Yeni ilaç değerlendirme tekniğini geliştiren MIT araştırma ekibi, bu tekniğe DeepBAR adını veriyor. DeepBAR, makine öğrenimi algoritmalarını geleneksel kimya hesaplamalarıyla birleştiriyor. DeepBAR, bir aday ilacın ve hedef proteinlerinin bağlanma potansiyelini hesaplar. Yeni analiz tekniği, geleneksel yöntemlerle karşılaştırıldığında, bir ilacın bağlanma kabiliyeti hakkında tahminler sağlar ve bu tekniğin ilaç keşfini hızlandırabileceği umuluyor.

Bir ilacın bağlanma potansiyeli, bağlanma serbest enerji olarak adlandırılan bir ölçüt aracılığıyla nicelendirilir, burada daha küçük bir sayı daha büyük bağlanma potansiyelini gösterir. Düşük bir bağlanma serbest enerji puanı, bir ilacın diğer moleküllerle rekabet etme ve onların rollerini üstlenme yeteneğinin yüksek olduğunu gösterir ve bu, bir proteinin normal işlevini bozar. Bir ilacın bağlanma serbest enerji puanı ile ilacın etkinliği arasında yüksek bir korelasyon vardır. Ancak, bağlanma serbest enerjisini ölçmek oldukça zor olabilir.

Baglanma serbest enerjisini ölçmek için iki yaygın teknik vardır. Bir yöntem, bağlanma serbest enerjisini kesin olarak hesaplamaktır, diğeri ise bağlanma serbest enerjisini tahmin etmektir. Tahminler, kesin ölçümlerden daha az hesaplama gerektirir, ancak bunlar doğal olarak doğrulukta bir ticaret içerir.

DeepBAR yöntemi, kesin ölçüm yöntemlerinin yalnızca bir kısmını kullanarak bağlanma enerjisinin yüksek derecede doğru tahminlerini sağlar. DeepBAR, “Bennett kabul oranı” olarak adlandırılan algoritmayı kullanır, bu da bağlanma serbest enerjisini hesaplamak için kullanılan algoritmadır. Bennett kabul oranı, iki temel/nokta durumu ve bir dizi ara durum (kısmi bağlanma durumları) kullanmayı gerektirir. DeepBAR yaklaşımı, Bennett kabul oranı ile birlikte makine öğrenimi çerçeveleri ve derin generatif modelleri kullanarak bağlanma enerjilerini tahmin etmek için gereken hesaplamaların sayısını azaltmaya çalışır. Makine öğrenimi modelleri, her uç nokta için bir referans durumu oluşturur ve bu referans durumları, gerçek uç noktalara đủ derecede benzerdir, böylece Bennett kabul oranı uygulanabilir.

MIT araştırma ekibi tarafından tasarlanan derin generatif model, bilgisayar görme tekniklerine dayanmaktadır. Temel olarak, DeepBAR her bir moleküler yapıyı bir görüntü olarak ele alır ve bu “görüntü” nin özelliklerini öğrenmek için analiz eder. Araştırma ekibinin, 3B yapıların analizini gerçekleştirmek için algoritmayı slightly değiştirmesi gerekti, çünkü bilgisayar görme algoritmaları genellikle 2B görüntülerle çalışır.

İlk testlerde, DeepBAR, geleneksel tekniklere kıyasla bağlanma serbest enerjisini yaklaşık 50 kat daha hızlı hesaplayabildi. Model üzerinde hala çalışılması gereken işler var. Daha karmaşık, deneysel verilerle karşılaştırılarak doğrulanması gerekiyor, ki bu veriler ilk olarak test edildiği basit verilerden daha karmaşıktır. MIT araştırma ekibi, DeepBAR’ın büyük proteinler için bağlanma serbest enerjilerini hesaplama yeteneğini, bilgisayar bilimindeki recent gelişmeleri kullanarak modeli iyileştirerek artırmayı amaçlıyor.

DeepBAR, ilaç keşif pipeline’ına hız kazandırmak amacıyla AI’ı uygulamaya yönelik ilk girişim değil. Diğer birçok araştırma projesi de ilaç keşif pipeline’ının çeşitli yönlerini otomatikleştirmek ve verimliliğini artırmak için AI’ı kullanmıştır. Ancak, bu stratejilerin etkinliğini sınırlayan doğal bir bottleneck olabilir.

Derek Lowe, recently bir blogda ScienceMag.org argued ki, ilaç keşfini hızlandırmak Ziel ise, “doğru sorunlara saldırmak” önemlidir. İlaçların klinik etkinliği ve güvenliğinin değerlendirilmesi önemli miktarda zaman alır ve klinik başarısızlık oranlarını azaltmak için AI’ı kullanmak zordur. Son olarak, AI yöntemlerinin ilaç keşfi açısından kazandırabileceği zaman miktarı üzerinde bir alt sınır olabilir, en azından AI, klinik değerlendirme sürecine anlamlı bir şekilde entegre edilene kadar. Bununla birlikte, gelişmeler gelişmedir ve daha fazla araştırma DeepBAR gibi yapıldıkça, bilim adamlarına, ilaç keşif pipeline’ının diğer alanlarında AI’ı kullanma yollarını düşünmek için daha fazla zaman kalacaktır. Bu gelişmeler, ilaç keşfini hızlandırmak için önemli bir adımdır ve gelecekte daha da fazla ilerleme yapılacağı umulmaktadır.