Forskere ved University of Cambridge har udnyttet kunstig intelligens til dramatisk at fremskynde søgningen efter nye behandlingsformer for Parkinsons sygdom.
Ved at bruge maskinlæringsteknikker var de i stand til at screene millioner af potentielle lægemiddelforbindelser og identificere de mest lovende kandidater ti gange hurtigere og 1000 gange mere omkostningseffektivt end konventionelle metoder.
Parkinsons sygdom er en kompleks, progressiv neurodegenerativ sygdom, som rammer ca. 6 millioner mennesker på verdensplan. Det tal forventes at blive tredoblet inden 2040.
I øjeblikket er der ingen behandlinger, der med sikkerhed kan bremse eller standse sygdommens udvikling.
Den traditionelle proces med at screene store kemiske biblioteker for at finde potentielle lægemiddelkandidater er ekstremt langsom, dyr og ofte mislykket.
"En måde at søge efter potentielle behandlinger for Parkinsons kræver identifikation af små molekyler, der kan hæmme aggregeringen af alfa-synuclein, som er et protein, der er tæt forbundet med sygdommen," siger ledende forsker professor Michele Vendruscolo. fortalte University of Cambridge.
"Men det er en ekstremt tidskrævende proces - bare det at identificere en hovedkandidat til yderligere testning kan tage måneder eller endda år."
For at tackle denne udfordring udviklede Vendruscolo og hans team en 5-trins maskinlæringsmetode. Den undersøgelse blev udgivet i Naturens kemiske biologi.
- Start med et lille sæt forbindelser, der er identificeret via simuleringer, og som viser potentiale til at blokere sammenklumpning af alfa-synuclein-proteinet, som er den primære årsag til Parkinsons sygdom. Test derefter deres effektivitet eksperimentelt.
- Brug resultaterne til at træne en maskinlæringsmodel til at forudsige, hvilke molekylære strukturer og egenskaber der gør et stof effektivt til at forhindre proteinaggregering.
- Brug den trænede model til hurtigt at screene et virtuelt bibliotek, der indeholder millioner af stoffer, og forudsig de mest potente kandidater.
- Valider de bedste AI-udvalgte kandidater eksperimentelt i laboratoriet. Før disse resultater tilbage til modellen for at forfine dens forudsigelsesevne yderligere.
- Gentag denne cyklus af beregningsmæssig forudsigelse og eksperimentel afprøvning, hvor AI-modellen bliver klogere for hver runde og finder frem til de mest kraftfulde forbindelser.
Over flere iterationer steg optimeringsgraden - den procentdel af de testede stoffer, der hæmmede alfa-synuclein-klumpning i forbindelse med Parkinsons - fra 4% til over 20%.
Desuden var de forbindelser, som AI fandt, i gennemsnit langt mere potente end nogen, der tidligere var identificeret. Nogle viste lovende aktivitet ved otte gange lavere doser. De var også mere kemisk forskellige, idet modellen opdagede effektive forbindelser, der adskilte sig fra kendte strukturer.
"Maskinlæring har en reel indflydelse på opdagelsen af lægemidler - det fremskynder hele processen med at identificere de mest lovende kandidater", siger Vendruscolo.
"Ved at bruge den viden, vi fik fra den første screening med vores maskinlæringsmodel, kunne vi træne modellen til at identificere de specifikke regioner på disse små molekyler, der er ansvarlige for bindingen, så vi kan screene igen og finde mere potente molekyler."
"For os betyder det, at vi kan begynde at arbejde på flere lægemiddelforskningsprogrammer - i stedet for kun ét. Så meget er muligt på grund af den massive reduktion i både tid og omkostninger - det er en spændende tid."
Forskerne understreger, at dette kun er begyndelsen på, hvad AI-first-tilgange kan muliggøre inden for lægemiddelopdagelse til Parkinsons og andre sygdomme, der er kendetegnet ved proteinfejlfoldning og -aggregering.
Med yderligere udvikling og større træningsdatasæt bør disse modellers forudsigelsesevne kun blive bedre.
Selv om der stadig er lang vej til at gøre disse AI-identificerede kandidater til godkendte behandlinger, viser denne undersøgelse, hvordan maskinlæring, smart kombineret med eksperimentel biologi, i høj grad kan fremskynde de tidlige stadier af lægemiddelopdagelse.
Dette bygger på en lang række undersøgelser, der tager fat på udfordringen med at finde nye, nye lægemiddelbehandlinger, herunder fra MIT og Tuftssom for nylig byggede en model, der er i stand til at gennemgå omkring 100 millioner forbindelser dagligt.
Flere af dem Modeller til opdagelse af antibiotika har produceret eksperimentelle forbindelser, hvoraf nogle er på vej til kliniske forsøg.
En anden Storstilet projekt i samarbejde med Moorfields Eye Hospital i Storbritannien fra sidste år brugte øjenscanninger til at identificere de tidlige tegn på Parkinsons - en ny metode, der er muliggjort af AI.
Med denne nye undersøgelse, der har til formål at finde effektive behandlinger af Parkinsons sygdom, viser AI-metoder et stort potentiale for at omdefinere medicin og sundhedspleje.
