Araştırmacılar İlaç Keşif Hızını Artırmak için AI ile Bağlanma Verimliliklerini Hesaplıyor

MIT’den araştırmacılar recently bir yeni AI sürüklenen teknik geliştirdiler ilacı keşfetme hızını artırmak için hesaplamaların hızını artırmak için kullanılan bir ilacın moleküler bağlanma affinitesini değerlendirmek.

Bir ilaç, tasarlandığı görevi gerçekleştirebilmek için proteinlere yapışabilmek zorunda. Bir ilacın proteinlere yapışabilme yeteneğini değerlendirmek, ilaç keşfi ve ekranlama sürecinin önemli bir parçasıdır ve makine öğrenimi teknikleri bu önemli ilaç özelliğini değerlendirmek için harcanan zamanı azaltabilir.

Yeni ilaç değerlendirme tekniklerini geliştiren MIT araştırma ekibi, bunu DeepBAR olarak adlandırıyor. DeepBAR, makine öğrenimi algoritmalarını geleneksel kimya hesaplamalarıyla birleştiriyor. DeepBAR, verilen bir aday ilacın ve o ilacın hedef proteinlerinin bağlanma potansiyelini hesaplar. Yeni analiz tekniği, geleneksel yöntemlere kıyasla bir ilacın bağlanma kabiliyeti hakkında önemli ölçüde daha hızlı tahminler sağlar ve bu tekniğin ilaç keşfini hızlandırabileceği ümit ediliyor.

Bir ilacın bağlanma potansiyeli, bağlanma serbest enerjisi olarak adlandırılan bir metric ile nicelendirilir, burada daha küçük bir sayı daha büyük bağlanma potansiyelini gösterir. Düşük bir bağlanma serbest enerjisi puanı, bir ilacın diğer moleküllerle rekabet edebilme yeteneğinin yüksek olduğunu ve bu moleküllerin rollerini doldurup bir proteinin normal işlevini bozan anlamına gelir. Bir ilaç adayının bağlanma serbest enerjisi ile o ilacın etkinliği arasında yüksek bir korelasyon vardır. Ancak, bağlanma serbest enerjisini ölçmek oldukça zor olabilir.

Bağlanma serbest enerjisini ölçmek için kullanılan iki tipik teknik vardır. Bir yöntem, bağlanma serbest enerjisini kesin olarak hesaplamak, diğeriyse bağlanma serbest enerjisini tahmin etmektir. Tahminler, kesin ölçümlerden daha az hesaplama gerektirir, ancak açıkçası doğrulukta bir ticaret vardır.

DeepBAR yöntemi, kesin ölçüm yöntemlerinin hesaplamalı gücünün bir kısmını kullanır, ancak bağlanma enerjileri hakkında yüksek derecede doğru tahminler sağlar. DeepBAR, genellikle bağlanma serbest enerjisini hesaplamak için kullanılan “Bennett kabul oranı”nu kullanır. Bennett kabul oranı, iki temel/nokta durumu ve bir dizi ara durum (kısmi bağlanma durumları) gerektirir. DeepBAR yaklaşımı, Bennett kabul oranını makine öğrenimi çerçeveleri ve derin generatif modellerle birlikte kullanarak bağlanma enerjilerini tahmin etmek için gereken hesaplamaların sayısını azaltmaya çalışır. Makine öğrenimi modelleri, her bir uç nokta için bir referans durumu oluşturur ve bu uç noktalar, Bennett kabul oranının uygulanabilmesi için gerçek uç noktalara yeterince doğrudur.

MIT araştırma ekibi tarafından tasarlanan derin generatif model, bilgisayar görme tekniklerine dayanmaktadır. Aslında, DeepBAR her analiz ettiği moleküler yapıyı bir görüntü olarak ele alır ve bu “görüntü”nün özelliklerini öğrenmek için analiz eder. Araştırma ekibinin, 3B yapıların analizini gerçekleştirmek için algoritmadaki küçük değişiklikler yapması gerekti, çünkü bilgisayar görme algoritmaları genellikle 2B görüntüler üzerinde çalışır.

İlk testlerde, DeepBAR bağlanma serbest enerjisini geleneksel tekniklere kıyasla yaklaşık 50 kat daha hızlı hesaplayabildi. Model üzerinde hala çalışılması gereken şeyler var. Daha karmaşık, deneysel verilerle doğrulanması gerekiyor, ki bu veriler ilk olarak test edildiğinde oldukça basit verilerdi. MIT araştırma ekibi, modeli geliştirerek büyük proteinler için bağlanma serbest enerjilerini hesaplama yeteneğini, bilgisayar bilimindeki recent ilerlemeleri kullanarak iyileştirmeyi amaçlıyor.

DeepBAR, ilaç keşif pipeline’ına hız kazandırmak amacıyla AI’ı uygulamaya yönelik ilk girişim değil. Birçok diğer 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 argued in a blog on ScienceMag.org, eğer هدف ilaç keşfini hızlandırmaksa, “doğru sorunlara saldırmak” önemlidir. İlaçların klinik etkinliği ve güvenliğinin değerlendirilmesi önemli miktarda zaman alır ve AI’ı klinik başarısızlık oranlarını azaltmak için kullanmanın yollarını bulmak zordur. Son olarak, AI yöntemlerinin ilaç keşfi açısından kazandırdığı zaman bakımından bir alt sınır olabilir, en azından AI klinik değerlendirme sürecine anlamlı bir şekilde entegre edilene kadar. Bununla birlikte, geliştirmeler geliştirmelerdir ve DeepBAR gibi daha fazla araştırma yapıldıkça, bilim adamlarına AI’ı ilaç keşif pipeline’ının diğer alanlarında kullanma yollarını düşünmek için daha fazla zaman olacaktır.