Forscher der Universität Cambridge haben sich KI zunutze gemacht, um die Suche nach neuen Therapien für die Parkinson-Krankheit drastisch zu beschleunigen.
Durch den Einsatz von Techniken des maschinellen Lernens konnten sie Millionen potenzieller Arzneimittelwirkstoffe durchsuchen und die vielversprechendsten Kandidaten zehnmal schneller und 1000-mal kostengünstiger identifizieren als mit herkömmlichen Methoden.
Die Parkinson-Krankheit ist eine komplexe, fortschreitende neurodegenerative Erkrankung, von der weltweit etwa 6 Millionen Menschen betroffen sind. Diese Zahl wird sich bis 2040 voraussichtlich verdreifachen.
Derzeit gibt es keine Behandlungen, die das Fortschreiten der Krankheit zuverlässig verlangsamen oder aufhalten können.
Das herkömmliche Verfahren, bei dem riesige chemische Bibliotheken nach potenziellen Arzneimittelkandidaten durchsucht werden, ist extrem langsam, teuer und oft erfolglos.
"Ein Weg zur Suche nach potenziellen Behandlungen für Parkinson erfordert die Identifizierung kleiner Moleküle, die die Aggregation von Alpha-Synuclein hemmen können, einem Protein, das eng mit der Krankheit in Verbindung gebracht wird", so die leitende Forscherin Professor Michele Vendruscolo sagte der Universität Cambridge.
"Aber das ist ein extrem zeitaufwändiger Prozess - allein die Identifizierung eines Hauptkandidaten für weitere Tests kann Monate oder sogar Jahre dauern.
Um diese Herausforderung zu meistern, entwickelten Vendruscolo und sein Team einen 5-stufigen Ansatz für maschinelles Lernen. Die Studie wurde veröffentlicht in Natur Chemische Biologie.
- Beginnen Sie mit einer kleinen Gruppe von Verbindungen, die durch Simulationen ermittelt wurden und die das Potenzial haben, die Verklumpung des Alpha-Synuclein-Proteins zu blockieren, das die Hauptursache für Parkinson ist. Testen Sie dann experimentell deren Wirksamkeit.
- Verwenden Sie die Ergebnisse, um ein maschinelles Lernmodell zu trainieren, mit dem Sie vorhersagen können, welche molekularen Strukturen und Eigenschaften eine Verbindung zur Verhinderung der Proteinaggregation wirksam machen.
- Setzen Sie das trainierte Modell ein, um eine virtuelle Bibliothek mit Millionen von Verbindungen schnell zu durchsuchen und die wirksamsten Kandidaten vorherzusagen.
- Experimentelle Validierung der von der KI ausgewählten Spitzenkandidaten im Labor. Lassen Sie diese Ergebnisse wieder in das Modell einfließen, um seine Vorhersagefähigkeiten weiter zu verbessern.
- Wiederholen Sie diesen Zyklus aus rechnerischer Vorhersage und experimenteller Prüfung, wobei das KI-Modell mit jeder Runde schlauer wird und sich auf die leistungsfähigsten Verbindungen konzentriert.
Über mehrere Iterationen hinweg stieg die Optimierungsrate - der Prozentsatz der getesteten Wirkstoffe, die die mit der Parkinson-Krankheit verbundene Verklumpung von Alpha-Synuclein hemmten - von 4% auf über 20%.
Darüber hinaus waren die von der KI gefundenen Verbindungen im Durchschnitt weitaus wirksamer als alle zuvor identifizierten. Einige zeigten vielversprechende Aktivität bei achtfach niedrigeren Dosen. Sie waren auch chemisch vielfältiger, wobei das Modell wirksame Verbindungen entdeckte, die sich von bekannten Strukturen unterschieden.
"Das maschinelle Lernen hat einen echten Einfluss auf die Arzneimittelentdeckung - es beschleunigt den gesamten Prozess der Identifizierung der vielversprechendsten Kandidaten", so Vendruscolo.
"Indem wir die Erkenntnisse aus dem ersten Screening mit unserem maschinellen Lernmodell nutzten, konnten wir das Modell so trainieren, dass es die spezifischen Regionen dieser kleinen Moleküle identifiziert, die für die Bindung verantwortlich sind, und dann können wir das Screening wiederholen und wirksamere Moleküle finden.
"Für uns bedeutet dies, dass wir mit der Arbeit an mehreren Programmen zur Entdeckung von Medikamenten beginnen können - statt nur mit einem. Durch die massive Reduzierung von Zeit und Kosten ist so vieles möglich - es ist eine aufregende Zeit.
Die Forscher betonen, dass dies erst der Anfang dessen ist, was KI-gestützte Ansätze bei der Entdeckung von Medikamenten für Parkinson und andere Krankheiten, die durch Proteinfehlfaltung und -aggregation gekennzeichnet sind, ermöglichen könnten.
Mit der weiteren Entwicklung und größeren Trainingsdatensätzen dürfte sich die Vorhersagekraft dieser Modelle nur noch verbessern.
Es liegt zwar noch ein langer Weg vor uns, bis aus diesen von der KI identifizierten Kandidaten zugelassene Therapien werden, doch diese Studie zeigt, wie maschinelles Lernen in geschickter Kombination mit experimenteller Biologie die frühen Phasen der Arzneimittelentdeckung erheblich beschleunigen kann.
Dies baut auf einer Reihe von Forschungsarbeiten auf, die sich mit der Herausforderung befassen, neue, neuartige medikamentöse Behandlungen zu finden, darunter vom MIT und Tuftsdas kürzlich ein Modell entwickelt hat, mit dem täglich etwa 100 Millionen Verbindungen gesichtet werden können.
Mehrere Modelle zur Entdeckung von Antibiotika haben experimentelle Verbindungen hergestellt, von denen einige auf dem Weg zu klinischen Studien.
Eine weitere Großprojekt in Zusammenarbeit mit dem Moorfields Eye Hospital im Vereinigten Königreich hat im vergangenen Jahr Augenscans eingesetzt, um frühe Anzeichen von Parkinson zu erkennen - eine neuartige, durch KI ermöglichte Methode.
Mit dieser neuen Studie, die darauf abzielt, wirksame Parkinson-Therapien zu finden, zeigen KI-Methoden, dass sie vielversprechend sind, um die Medizin und das Gesundheitswesen neu zu definieren.
