Forskere ved University of Cambridge har utnyttet kunstig intelligens til å akselerere jakten på nye behandlingsformer for Parkinsons sykdom dramatisk.
Ved hjelp av maskinlæringsteknikker kunne de screene millioner av potensielle legemiddelforbindelser og identifisere de mest lovende kandidatene ti ganger raskere og 1000 ganger mer kostnadseffektivt enn med konvensjonelle metoder.
Parkinsons sykdom er en kompleks, progressiv nevrodegenerativ sykdom som rammer rundt 6 millioner mennesker på verdensbasis. Dette tallet forventes å tredobles innen 2040.
Foreløpig finnes det ingen behandling som på en pålitelig måte kan bremse eller stanse sykdomsutviklingen.
Den tradisjonelle prosessen med å screene store kjemiske biblioteker for å finne potensielle legemiddelkandidater er ekstremt langsom, kostbar og ofte mislykket.
"En måte å finne potensielle behandlinger for Parkinsons sykdom på, er å identifisere små molekyler som kan hemme aggregeringen av alfa-synuklein, som er et protein som er nært forbundet med sykdommen", sier professor Michele Vendruscolo, som er hovedforsker på prosjektet. fortalte University of Cambridge.
"Men dette er en ekstremt tidkrevende prosess - bare det å identifisere en hovedkandidat for videre testing kan ta måneder eller til og med år."
For å takle denne utfordringen utviklet Vendruscolo og teamet hans en 5-trinns maskinlæringsmetode. Den studie ble publisert i Nature Chemical Biology.
- Start med et lite sett av forbindelser, identifisert via simuleringer, som viser potensial til å blokkere sammenklumping av alfa-synuklein-proteinet, som er den primære årsaken til Parkinsons sykdom. Deretter tester du effekten av dem eksperimentelt.
- Bruk resultatene til å trene opp en maskinlæringsmodell for å forutsi hvilke molekylære strukturer og egenskaper som gjør et stoff effektivt til å forhindre proteinaggregering.
- Bruk den opplærte modellen til raskt å screene et virtuelt bibliotek med millioner av stoffer og forutsi de mest potente kandidatene.
- Valider de beste kandidatene som er valgt ut av AI, eksperimentelt i laboratoriet. Mata disse resultatene tilbake til modellen for å forbedre prediksjonsegenskapene ytterligere.
- Gjenta denne syklusen med beregningsprediksjon og eksperimentell testing, der AI-modellen blir smartere for hver runde og finner frem til de kraftigste forbindelsene.
Over flere iterasjoner økte optimaliseringsraten - prosentandelen av de testede forbindelsene som hemmet alfa-synuklein-klumping forbundet med Parkinsons sykdom - fra 4% til over 20%.
Dessuten var forbindelsene som AI fant, i gjennomsnitt langt mer potente enn noen tidligere identifiserte forbindelser. Noen viste lovende aktivitet ved åtte ganger lavere doser. De var også mer kjemisk varierte, og modellen oppdaget effektive forbindelser som skilte seg fra kjente strukturer.
"Maskinlæring har en reell innvirkning på oppdagelsen av legemidler - det gjør hele prosessen med å identifisere de mest lovende kandidatene raskere", sier Vendruscolo.
"Ved å bruke kunnskapen vi fikk fra den første screeningen sammen med maskinlæringsmodellen vår, kunne vi trene modellen til å identifisere de spesifikke områdene på disse små molekylene som er ansvarlige for bindingen, slik at vi kan screene på nytt og finne mer potente molekyler."
"For oss betyr dette at vi kan starte arbeidet med flere legemiddelutviklingsprogrammer - i stedet for bare ett. Det er så mye som er mulig på grunn av den enorme reduksjonen i både tid og kostnader - det er en spennende tid."
Forskerne understreker at dette bare er begynnelsen på hva AI-først-tilnærminger kan muliggjøre i oppdagelsen av legemidler mot Parkinsons sykdom og andre sykdommer som kjennetegnes av feilfolding og aggregering av proteiner.
Med videre utvikling og større treningsdatasett bør disse modellenes prediksjonsevne bare bli bedre.
Selv om det fortsatt er en lang vei å gå før disse AI-identifiserte kandidatene blir til godkjente behandlinger, viser denne studien hvordan maskinlæring, smart kombinert med eksperimentell biologi, i stor grad kan akselerere de tidlige stadiene av legemiddeloppdagelse.
Dette bygger på en rekke forskningsresultater som tar for seg utfordringen med å finne nye, innovative medikamentelle behandlinger, blant annet fra MIT og Tuftssom nylig har bygget en modell som kan gå gjennom rundt 100 millioner forbindelser daglig.
Flere modeller for oppdagelse av antibiotika har produsert eksperimentelle forbindelser, hvorav noen er på vei til kliniske studier.
En annen storstilt prosjekt i samarbeid med Moorfields Eye Hospital i Storbritannia fra i fjor brukte øyeskanninger til å identifisere tidlige tegn på Parkinsons sykdom - en ny metode som muliggjøres av kunstig intelligens.
Med denne nye studien, som tar sikte på å finne effektive behandlinger for Parkinsons sykdom, viser AI-metoder at de kan bidra til å omdefinere medisin og helsetjenester.
