In un studio di svoltaI ricercatori del MIT e della Tufts University hanno sviluppato un metodo di apprendimento automatico (ML) per accelerare il processo di scoperta dei farmaci.
Esistono vaste librerie di farmaci contenenti miliardi di composti diversi che potrebbero trattare efficacemente qualsiasi cosa, dal cancro alle malattie cardiache. La domanda è: come li troviamo?
La scoperta di farmaci è stata tradizionalmente un processo ad alta intensità di lavoro, con gli scienziati che dovevano testare ogni potenziale composto contro tutti i possibili bersagli - un'impresa lunga e costosa.
Per risolvere questo problema, i ricercatori hanno iniziato a utilizzare metodi computazionali per vagliare le librerie di composti farmacologici. Tuttavia, questo approccio richiede ancora molto tempo, poiché comporta il calcolo della struttura tridimensionale di ogni proteina bersaglio sulla base della sua sequenza di amminoacidi.
Tuttavia, il team del MIT e di Tufts ha ideato un nuovo approccio basato su un modello linguistico di grandi dimensioni (LLM), che è il tipo di modello che alimenta AI come ChatGPT. Il modello analizza vaste quantità di dati per determinare quali aminoacidi si abbinano probabilmente tra loro, analogamente a come i modelli linguistici come ChatGPT analizzano enormi volumi di testo per determinare quali parole si abbinano tra loro.
Questo nuovo modello, denominato ConPLexIl modello, che abbina le proteine bersaglio a potenziali molecole di farmaci senza calcolare le strutture delle molecole, ha permesso ai ricercatori di vagliare milioni di composti in un giorno. Il modello ha permesso ai ricercatori di esaminare oltre 100 milioni di composti in un giorno.
Bonnie Berger, professore di matematica Simons e capo del gruppo Computation and Biology del Computer Science and Artificial Intelligence Laboratory (CSAIL) del MIT, ha dichiarato: "Questo lavoro risponde alla necessità di uno screening in silico efficiente e accurato di potenziali candidati farmaci, e la scalabilità del modello consente di effettuare screening su larga scala per valutare gli effetti fuori bersaglio, la riproposizione dei farmaci e determinare l'impatto delle mutazioni sul legame con i farmaci".
L'intelligenza artificiale ottimizza lo screening e lo sviluppo dei farmaci
Un ostacolo fondamentale nel campo è stata la tendenza dei modelli esistenti a non scartare i composti "esca". Questi composti sono simili ai farmaci di successo ma non interagiscono bene con il bersaglio. Per escludere le esche, l'équipe ha incorporato una fase di addestramento che ha aiutato il modello a distinguere tra i farmaci veri e gli impostori.
I ricercatori hanno testato il modello ConPLex esaminando una libreria di circa 4.700 molecole di farmaci candidati contro una serie di 51 enzimi noti come protein-chinasi.
Dopo aver testato sperimentalmente 19 delle coppie farmaco-proteina più promettenti, ne hanno trovate 12 con una forte affinità di legame con il bersaglio.
Sebbene questo studio si sia concentrato principalmente su farmaci a piccole molecole, il team sta studiando come applicare questo approccio ad altri tipi di farmaci, come gli anticorpi terapeutici.
Il modello potrebbe anche eseguire degli screening di tossicità su potenziali composti farmacologici, assicurando che non producano effetti collaterali indesiderati prima di testarli su modelli animali.
Rohit Singh, ricercatore del CSAIL, afferma: "Parte del motivo per cui la scoperta di farmaci è così costosa è perché ha un'alta percentuale di fallimenti. Se riusciamo a ridurre queste percentuali di insuccesso dicendo in anticipo che questo farmaco non funzionerà, potremmo ridurre di molto i costi della scoperta di farmaci".
Eytan Ruppin, capo del Cancer Data Science Laboratory del National Cancer Institute, elogia l'approccio come una "svolta significativa nella previsione dell'interazione farmaco-target".
Alla fine di maggio, un altro gruppo di ricerca del MIT ha costruito un modello di screening degli antibiotici che funziona in modo simile a questo.
Il team ha utilizzato l'apprendimento automatico per esplorare migliaia di farmaci esistenti, individuando un particolare composto efficace contro i superbatteri resistenti agli antibiotici.