I en GennembrudsstudieForskere fra MIT og Tufts University har udviklet en maskinlæringsmetode (ML) til at fremskynde processen med at opdage lægemidler.
Der findes enorme lægemiddelbiblioteker med milliarder af forskellige stoffer, som effektivt kan behandle alt fra kræft til hjertesygdomme. Spørgsmålet er, hvordan vi finder dem?
Opdagelse af lægemidler har traditionelt været en arbejdskrævende proces, hvor forskere skal teste hvert potentielt stof mod alle mulige mål - en tidskrævende og kostbar opgave.
For at løse dette problem er forskere begyndt at bruge beregningsmetoder til at screene biblioteker med lægemiddelforbindelser. Denne tilgang kræver dog stadig meget tid, da den involverer beregning af hvert målproteins tredimensionelle struktur baseret på dets aminosyresekvens.
Men teamet på MIT og Tufts har udtænkt en ny tilgang baseret på en stor sprogmodel (LLM), som er den type model, der driver AI som ChatGPT. Modellen analyserer store mængder data for at afgøre, hvilke aminosyrer der sandsynligvis vil matche hinanden, på samme måde som sprogmodeller som ChatGPT analyserer enorme mængder tekst for at afgøre, hvilke ord der passer sammen.
Denne nye model, ved navn ConPLexModellen matcher målproteiner med potentielle lægemiddelmolekyler uden at beregne molekylestrukturer. Modellen gjorde det muligt for forskerne at screene over 100 millioner stoffer på en dag.
Bonnie Berger, Simons Professor of Mathematics og leder af Computation and Biology-gruppen i MIT's Computer Science and Artificial Intelligence Laboratory (CSAIL), sagde: "Dette arbejde imødekommer behovet for effektiv og præcis in silico-screening af potentielle lægemiddelkandidater, og modellens skalerbarhed muliggør storskala-screening til vurdering af off-target-effekter, genanvendelse af lægemidler og bestemmelse af mutationers indvirkning på lægemiddelbinding."
AI effektiviserer screening og udvikling af lægemidler
En vigtig forhindring på området har været de eksisterende modellers tendens til ikke at afvise "lokkemidler". Disse forbindelser ligner succesfulde lægemidler, men interagerer ikke godt med målet. For at udelukke lokkemidler indarbejdede teamet en træningsfase, der hjalp modellen med at skelne mellem rigtige stoffer og bedragere.
Forskerne testede ConPLex-modellen ved at screene et bibliotek med ca. 4.700 lægemiddelkandidater mod et sæt af 51 enzymer, der er kendt som proteinkinaser.
Efter at have testet 19 af de mest lovende lægemiddel-protein-par eksperimentelt fandt de 12 med stærk bindingsaffinitet til målet.
Denne undersøgelse fokuserede primært på lægemidler med små molekyler, men teamet undersøger, hvordan man kan anvende denne tilgang til andre typer lægemidler, f.eks. terapeutiske antistoffer.
Modellen kan også køre toksicitetsscreeninger på potentielle lægemiddelforbindelser og sikre, at de ikke giver uønskede bivirkninger, før de testes i dyremodeller.
Rohit Singh, forsker ved CSAIL, siger: "En del af grunden til, at lægemiddelforskning er så dyr, er, at der er en høj fejlrate. Hvis vi kan reducere disse fejlprocenter ved på forhånd at sige, at dette lægemiddel sandsynligvis ikke vil virke, kan det i høj grad være med til at sænke omkostningerne ved lægemiddelforskning."
Eytan Ruppin, chef for Cancer Data Science Laboratory ved National Cancer Institute, roser tilgangen som et "betydeligt gennembrud inden for forudsigelse af interaktioner mellem lægemidler og målgrupper".
I slutningen af maj byggede et andet forskerhold, der involverede MIT, en antibiotikascreeningsmodel, der fungerede på samme måde som denne.
Teamet brugte maskinlæring til at udforske tusindvis af eksisterende lægemidler og fandt et bestemt stof, der var effektivt mod antibiotikaresistente superbakterier.
