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

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

Một loại thuốc phải có khả năng dính vào các protein để thực hiện nhiệm vụ mà 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 loại thuốc ứng viên và protein mục tiêu của nó. Kỹ thuật phân tích mới này cung cấp ước tính khả năng liên kết của một loại thuốc nhanh hơn đáng kể so với các phương pháp truyền thống được sử dụng để đánh giá sự liên kết, và hy vọng rằng kỹ thuật này có thể tăng tốc 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 tự do, nơi một số nhỏ hơn chỉ ra tiềm năng liên kết lớn hơn. Một điểm năng lượng liên kết tự do thấp có nghĩa là một loại thuốc có khả năng cạnh tranh cao với các phân tử khác, lấp đầy vai trò của các phân tử đó và làm gián đoạn chức năng bình thường của một protein. Có mối tương quan cao giữa năng lượng liên kết tự do của một loại thuốc ứng viên và hiệu quả của loại thuốc đó. Tuy nhiên, đo năng lượng liên kết tự do có thể khá khó khăn.

Có hai kỹ thuật điển hình được sử dụng để đo năng lượng liên kết tự do. Một phương pháp là tính toán chính xác lượng năng lượng liên kết tự do, trong khi phương pháp khác là ước tính lượng năng lượng liên kết tự do. 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 sức tính toán của các phương pháp đo chính xác nhưng cung cấp ước tính chính xác cao 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 tự do. 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 tạo sinh 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 các điểm cuối thực sự mà tỷ lệ chấp nhận Bennett có thể được triển khai.

Mô hình tạo sinh sâu được thiết kế bởi đội nghiên cứu MIT dựa trên các kỹ thuật tầm nhìn máy tính. Về cơ bản, DeepBAR coi mọi cấu trúc phân tử nó phân tích là 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 việc phân tích các cấu trúc 3D, vì các thuật toán tầm nhìn 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 tự do khoảng 50 lần nhanh hơn so với các kỹ thuật truyền thống. Vẫn còn nhiều việc phải làm trên mô hình. Nó phải được xác thực chống lại nhiều dữ liệu thử nghiệm phức tạp hơn so với dữ liệu khá đơn giản mà nó đã được thử nghiệm ban đầu, liên quan đến dữ liệu khá đơn giản. Đội nghiên cứu MIT nhằm cải thiện khả năng của DeepBar trong việc tính toán năng lượng liên kết tự do 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 nhằm áp dụng Trí tuệ nhân tạo vào quy trình khám phá thuốc với mục tiêu tăng tốc 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 quy trình 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 những chiến lược này.

Como Derek Lowe gần đây đã lập luận trong một bài blog trên ScienceMag.org, nếu mục tiêu là tăng tốc khám phá thuốc, điều quan trọng là phải “đánh vào đúng vấn đề”. Việc đánh giá hiệu quả lâm sàng và an toàn của 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 về lượng 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, những cải tiến là những cải tiến và nhiều nghiên cứu như DeepBAR được thực hiện, nhiều thời gian các nhà khoa học sẽ có để xem xét cách sử dụng Trí tuệ nhân tạo trong các lĩnh vực khác của quy trình khám phá thuốc.