Các nhà nghiên cứu nhằm tăng tốc độ khám phá thuốc bằng cách tính toán hiệu quả liên kết với Trí tuệ nhân tạo

Các nhà nghiên cứu từ MIT đã gần đây phát triển một kỹ thuật mới được thúc đẩy bởi Trí tuệ nhân tạo để tăng tốc độ khám phá thuốc bằng cách tăng tốc độ tính toán được sử dụng để đánh giá sự亲 và liên kết phân tử của một loại thuốc.

Một loại thuốc phải có khả năng dính vào các protein để thực hiện nhiệm vụ nó được thiết kế. Đánh giá khả năng của một loại thuốc dính vào các protein là một phần quan trọng của quá trình khám phá và sàng lọc thuốc, và các kỹ thuật học máy có thể giảm thời gian đánh giá thuộc tính thuốc quan trọng này.

Đội nghiên cứu MIT chịu trách nhiệm phát triển kỹ thuật đánh giá thuốc mới gọi nó là DeepBAR. DeepBAR kết hợp các thuật toán học máy với các tính toán hóa học truyền thống. DeepBAR tính toán tiềm năng liên kết của một ứng cử viên thuốc nhất định và protein mục tiêu của nó. Kỹ thuật phân tích mới này cung cấp ước tính về khả năng liên kết của một loại thuốc đáng kể nhanh hơn so với các phương pháp truyền thống được sử dụng để đánh giá sự亲 và liên kết, và nó được hy vọng có thể tăng tốc độ khám phá thuốc.

Tiềm năng liên kết của một loại thuốc được lượng hóa thông qua một chỉ số gọi là năng lượng liên kết miễn phí, nơi một số nhỏ hơn cho thấy tiềm năng liên kết lớn hơn. Một điểm số năng lượng liên kết miễn phí thấp có nghĩa là một loại thuốc có khả năng cạnh tranh với các phân tử khác, lấp đầy vai trò của các phân tử đó và phá vỡ chức năng bình thường của một protein. Có mối tương quan cao giữa năng lượng liên kết miễn phí của một ứng cử viên thuốc và hiệu quả của loại thuốc đó. Tuy nhiên, đo lường năng lượng liên kết miễn phí có thể khá khó khăn.

Có hai kỹ thuật điển hình được sử dụng để đo lường năng lượng liên kết miễn phí. Một phương pháp là tính toán lượng chính xác của năng lượng liên kết miễn phí, trong khi phương pháp khác là ước tính lượng năng lượng liên kết miễn phí. Ước tính ít tốn kém về tính toán hơn so với các phép đo chính xác, nhưng chúng rõ ràng đi kèm với sự đánh đổi về độ chính xác.

Phương pháp DeepBAR sử dụng một phần nhỏ của công suất tính toán của các phương pháp đo lường chính xác nhưng cung cấp ước tính chính xác về năng lượng liên kết. DeepBAR sử dụng “tỷ lệ chấp nhận Bennett”, đây là thuật toán thường được sử dụng để tính toán năng lượng liên kết miễn phí. Tỷ lệ chấp nhận Bennett yêu cầu sử dụng hai trạng thái cơ sở / điểm cuối và một loạt các trạng thái trung gian (đây là các trạng thái liên kết một phần). Phương pháp DeepBAR cố gắng giảm số lượng tính toán cần thiết để ước tính năng lượng liên kết bằng cách sử dụng tỷ lệ chấp nhận Bennett cùng với các khung học máy và mô hình sinh tổng hợp sâu. Các mô hình học máy tạo ra một trạng thái tham chiếu cho mỗi điểm cuối và những điểm cuối này chính xác đủ để thực sự triển khai tỷ lệ chấp nhận Bennett.

Mô hình sinh tổng hợp sâu được thiết kế bởi đội nghiên cứu MIT dựa trên các kỹ thuật thị giác máy tính. Về cơ bản, DeepBAR xử lý mọi cấu trúc phân tử nó phân tích như một hình ảnh, phân tích các tính năng của “hình ảnh” để học hỏi từ chúng. Đội nghiên cứu phải thực hiện một số thay đổi nhỏ đối với thuật toán để thích ứng với phân tích các cấu trúc 3D, vì các thuật toán thị giác máy tính thường hoạt động trên các hình ảnh 2D.

Trong các thử nghiệm ban đầu, DeepBAR đã có thể tính toán năng lượng liên kết miễn phí khoảng 50 lần nhanh hơn so với các kỹ thuật truyền thống. Vẫn còn nhiều công việc cần được thực hiện trên mô hình. Nó phải được xác thực chống lại nhiều dữ liệu phức tạp, thử nghiệm hơn so với dữ liệu khá đơn giản mà nó được thử nghiệm ban đầu, liên quan đến dữ liệu khá đơn giản. Đội nghiên cứu MIT nhằm cải thiện khả năng của DeepBar để tính toán năng lượng liên kết miễn phí cho các protein lớn bằng cách tinh chỉnh mô hình bằng cách sử dụng các tiến bộ gần đây trong khoa học máy tính.

DeepBAR không phải là nỗ lực đầu tiên để áp dụng Trí tuệ nhân tạo vào đường ống khám phá thuốc với mục tiêu tăng tốc độ khám phá thuốc. Nhiều dự án nghiên cứu khác cũng đã sử dụng Trí tuệ nhân tạo để tự động hóa các khía cạnh của đường ống khám phá thuốc và cải thiện hiệu quả của chúng. Tuy nhiên, có thể có một nút thắt tự nhiên hạn chế hiệu quả của các chiến lược này.

Như Derek Lowe gần đây đã lập luận trong một bài blog trên ScienceMag.org, nếu mục tiêu là tăng tốc độ khám phá thuốc, điều quan trọng là phải “đánh vào đúng vấn đề”. Việc đánh giá hiệu quả lâm sàng và an toàn của các loại thuốc mất một lượng thời gian đáng kể và tìm cách sử dụng Trí tuệ nhân tạo để giảm tỷ lệ thất bại lâm sàng là khó khăn. Cuối cùng, có thể có một giới hạn thấp hơn về thời gian mà các phương pháp Trí tuệ nhân tạo có thể tiết kiệm trong việc khám phá thuốc, ít nhất cho đến khi Trí tuệ nhân tạo có thể được tích hợp một cách có ý nghĩa vào quá trình đánh giá lâm sàng. Tuy nhiên, các cải tiến là cải tiến và nhiều nghiên cứu như DeepBAR được thực hiện, các nhà khoa học sẽ có nhiều thời gian hơn để xem xét cách sử dụng Trí tuệ nhân tạo trong các lĩnh vực khác của đường ống khám phá thuốc.