Дослідники спрямовані на прискорення відкриття ліків шляхом розрахунку ефективності зв’язування за допомогою штучного інтелекту

Дослідники з MIT нещодавно розробили новий метод, керований штучним інтелектом, для прискорення відкриття ліків шляхом збільшення швидкості розрахунків, використовуваних для оцінки молекулярної спорідненості зв’язування ліків.

Лік повинен能够 прикріплюватися до білків, щоб виконувати завдання, для якого він був розроблений. Оцінка здатності ліків прикріплюватися до білків є важливою частиною процесу відкриття та скринінгу ліків, і методи машинного навчання можуть зменшити час, витрачений на оцінку цього важливого атрибуту ліків.

Команда дослідників MIT, відповідальна за розробку нового методу оцінки ліків, назвала його DeepBAR. DeepBAR поєднує алгоритми машинного навчання з традиційними хімічними розрахунками. DeepBAR розраховуємо потенціал зв’язування даного кандидата на лік та його цільових білків. Новий метод аналізу забезпечує оцінки здатності ліків зв’язуватися суттєво швидше, ніж традиційні методи, використовувані для оцінки спорідненості зв’язування, і сподівається, що цей метод може підвищити швидкість відкриття ліків.

Потенціал зв’язування ліків кількісно оцінюється за допомогою метрики, званої вільною енергією зв’язування, де менше число вказує на більший потенціал зв’язування. Низький показник вільної енергії зв’язування означає, що лік має велику здатність конкурувати з іншими молекулами, займаючи їхнє місце та порушуючи нормальну функцію білка. Існує висока кореляція між вільною енергією зв’язування кандидата на лік та ефективністю цього ліків. Однак вимірювання вільної енергії зв’язування може бути досить складним.

Існують два типові методи вимірювання вільної енергії зв’язування. Одним із методів є розрахунок точної кількості вільної енергії зв’язування, а іншим – оцінка кількості вільної енергії зв’язування. Оцінки менш обчислювально дорогі, ніж точні вимірювання, але вони, очевидно, супроводжуються компромісом у точності.

Метод DeepBAR використовує частку обчислювальної потужності точних методів вимірювання, але забезпечує високоточні оцінки енергій зв’язування. DeepBAR використовує “коефіцієнт прийняття Беннетта”, який є алгоритмом, зазвичай використовуваним для розрахунку вільної енергії зв’язування. Коефіцієнт прийняття Беннетта вимагає використання двох базових/кінцевих станів та різноманітних проміжних станів (які є станами часткового зв’язування). Підхід DeepBAR намагається зменшити кількість розрахунків, необхідних для оцінки енергій зв’язування, використовуючи коефіцієнт прийняття Беннетта разом із машинними моделями навчання та глибокими генеративними моделями. Моделі машинного навчання генерують стан посилання для кожного кінцевого стану, і ці кінцеві стани достатньо точні, щоб розгорнути коефіцієнт прийняття Беннетта.

Глибока генеративна модель, розроблена командою дослідників MIT, заснована на техніках комп’ютерного зору. По суті, DeepBAR розглядає кожну молекулярну структуру, яку він аналізує, як зображення, аналізуючи особливості “зображення”, щоб вивчити їх. Команда дослідників мала зробити незначні зміни в алгоритмі, щоб пристосувати аналіз 3D-структур, оскільки алгоритми комп’ютерного зору зазвичай працюють з 2D-зображеннями.

У початкових тестах DeepBAR зміг розрахувати вільну енергію зв’язування приблизно в 50 разів швидше, ніж традиційні методи. Все ще є робота, яку потрібно зробити над моделлю. Її потрібно перевірити на більш складних, експериментальних даних, ніж досить прості дані, на яких вона спочатку була протестована, які включали досить прості дані. Команда дослідників MIT спрямована на покращення можливості DeepBAR розрахунку вільної енергії зв’язування для великих білків шляхом доопрацювання моделі з використанням останніх досягнень у галузі комп’ютерних наук.

DeepBAR далеко не перша спроба застосувати штучний інтелект до процесу відкриття ліків з метою збільшення швидкості відкриття ліків. Багато інших дослідницьких проектів також використовували штучний інтелект для автоматизації аспектів процесу відкриття ліків та покращення їхньої ефективності. Однак може бути природний瓶ьок, який обмежує ефективність цих стратегій.

Як Дерек Лоу нещодавно стверджував у блозі на ScienceMag.org, якщо метою є підвищення швидкості відкриття ліків, важливо “атакувати правильні проблеми”. Оцінка клінічної ефективності та безпеки ліків займає суттєвий час, і пошук способів використання штучного інтелекту для зменшення клінічної кількості невдач є складним. У кінцевому підсумку може бути нижня межа часу, яку методи штучного інтелекту можуть заощадити щодо відкриття ліків, принаймні до тих пір, поки штучний інтелект не зможе бути суттєво інтегрований до клінічного процесу оцінки. Тим не менше, покращення – це покращення, і чим більше досліджень, таких як DeepBAR, проводиться, тим більше часу вчені матимуть, щоб розглянути способи використання штучного інтелекту в інших областях процесу відкриття ліків.