Дослідники спрямовують зусилля на прискорення відкриття ліків шляхом розрахунку ефективності зв’язування з використанням штучного інтелекту

Дослідники з Массачусетського технологічного інституту розробили новий метод, що використовує штучний інтелект для прискорення відкриття ліків, збільшуючи швидкість розрахунків, які використовуються для оцінки молекулярної спорідненості ліків.

Лік повинен能够 приєднуватися до білків, щоб виконувати свою задачу. Оцінка здатності ліків приєднуватися до білків є важливою частиною процесу відкриття та скринінгу ліків, а методи машинного навчання можуть зменшити час, витрачений на оцінку цього важливого атрибуту ліків.

Команда дослідників з Массачусетського технологічного інституту, яка розробила новий метод 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 значно швидше, ніж традиційні методи, які використовуються для оцінки спорідненості, і сподівається, що цей метод зможе прискорити відкриття ліків.

Потенціал зв’язування ліків кількісно оцінюється за допомогою метрики, званої вільною енергією зв’язування, де менша кількість вказує на більший потенціал зв’язування. Низький рівень 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 ліків та їхньої ефективністю. Однак вимірювання вільної енергії зв’язування може бути досить складним.

Існують два типи методів для вимірювання вільної енергії зв’язування. Одним з 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 мають компроміс у вигляді неточності.

Метод DeepBAR використовує лише частину 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 поряд з машинними моделями навчання та глибокими генеративними моделями. Моделі машинного навчання генерують посилання на кожен кінцевий стан, і ці кінцеві стани достатньо точні, щоб коефіцієнт прийняття Беннетта міг бути застосований.

Глибока генеративна модель, розроблена командою дослідників з Массачусетського технологічного інституту, заснована на техніках комп’ютерного зору. По суті, DeepBAR обробляє кожну молекулярну структуру, яку він аналізує, як зображення, аналізуючи особливості “зображення”, щоб навчатися на них. Команда дослідників мала зробити незначні зміни в алгоритмі, щоб пристосувати аналіз трьохвимірних структур, оскільки алгоритми комп’ютерного зору зазвичай працюють з двовимірними зображеннями.

У початкових тестах DeepBAR能够 розрахувати вільну енергію зв’язування приблизно в 50 разів швидше, ніж традиційні методи. Однак ще є робота, яку потрібно зробити над моделлю. Її потрібно валідувати проти більш складних експериментальних даних, ніж досить прості дані, на яких вона була спочатку протестована, які включали досить прості дані. Команда дослідників з Массачусетського технологічного інституту має намір покращити здатність DeepBAR розрахунку вільної енергії зв’язування для великих білків, удосконалюючи модель за допомогою останніх досягнень у галузі комп’ютерних наук.

DeepBAR далеко не перший 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aggable, який обмежує ефективність цих стратегій.

Як недавно аргументував Дерек Лоу у своєму блозі на ScienceMag.org, якщо метою є прискорення відкриття ліків, важливо “атакувати правильні проблеми”. Оцінка клінічної ефективності та безпеки ліків займає значну кількість часу, а пошук способів використання штучного інтелекту для зменшення клінічної кількості невдач є складним. У кінцевому підсумку, може бути нижня межа кількості часу, яку методи штучного інтелекту можуть заощадити у відкритті ліків, принаймні до тих пір, поки штучний інтелект не зможе бути суттєво інтегрований до клінічного процесу оцінки. Однак покращення – це покращення, і чим більше досліджень, таких як DeepBAR, тим більше часу у науковців буде, щоб розглянути способи використання штучного інтелекту в інших областях процесу відкриття ліків.