Onderzoekers van de Universiteit van Cambridge hebben AI ingezet om de zoektocht naar nieuwe therapieën voor de ziekte van Parkinson drastisch te versnellen.
Door gebruik te maken van machine learning-technieken waren ze in staat om miljoenen potentiële medicijnverbindingen te screenen en de meest veelbelovende kandidaten tien keer sneller en 1000 keer kosteneffectiever te identificeren dan met conventionele methoden.
De ziekte van Parkinson is een complexe, progressieve neurodegeneratieve ziekte waaraan wereldwijd ongeveer 6 miljoen mensen lijden. Dat aantal zal naar verwachting verdrievoudigen tegen 2040.
Op dit moment zijn er geen behandelingen die de progressie van de ziekte op betrouwbare wijze kunnen vertragen of stoppen.
Het traditionele proces van het screenen van enorme chemische bibliotheken om potentiële kandidaat-geneesmiddelen te vinden is extreem traag, duur en vaak onsuccesvol.
"Eén manier om te zoeken naar mogelijke behandelingen voor Parkinson vereist de identificatie van kleine moleculen die de aggregatie van alfa-synucleïne, een eiwit dat nauw geassocieerd wordt met de ziekte, kunnen remmen", aldus hoofdonderzoeker professor Michele Vendruscolo. vertelde de Universiteit van Cambridge.
"Maar dit is een extreem tijdrovend proces - alleen al het identificeren van een hoofdkandidaat voor verdere tests kan maanden of zelfs jaren duren."
Om deze uitdaging aan te gaan, ontwikkelden Vendruscolo en zijn team een machine learning-aanpak in 5 stappen. De onderzoek werd gepubliceerd in Natuur Chemische Biologie.
- Begin met een kleine set verbindingen, geïdentificeerd via simulaties, die het samenklonteren van het eiwit alfa-synucleïne, de hoofdoorzaak van Parkinson, kunnen blokkeren. Test vervolgens experimenteel hun effectiviteit.
- Gebruik de resultaten om een machine-learningmodel te trainen om te voorspellen welke moleculaire structuren en eigenschappen een verbinding effectief maken in het voorkomen van eiwitaggregatie.
- Gebruik het getrainde model om snel een virtuele bibliotheek met miljoenen verbindingen te screenen en de meest krachtige kandidaten te voorspellen.
- De beste AI-kandidaten experimenteel valideren in het lab. Voer deze resultaten terug in het model om de voorspellingsmogelijkheden verder te verfijnen.
- Herhaal deze cyclus van computationele voorspelling en experimentele tests, waarbij het AI-model elke ronde slimmer wordt en zich richt op de krachtigste verbindingen.
Tijdens meerdere iteraties steeg de optimalisatiesnelheid - het percentage geteste verbindingen dat het samenklonteren van alfa-synucleïne, geassocieerd met de ziekte van Parkinson, remde - van 4% tot meer dan 20%.
Bovendien waren de verbindingen die door de AI werden gevonden gemiddeld veel krachtiger dan alle andere die eerder waren geïdentificeerd. Sommige toonden veelbelovende activiteit bij acht keer lagere doses. Ze waren ook chemisch diverser, waarbij het model werkzame verbindingen ontdekte die verschilden van bekende structuren.
"Machine learning heeft echt invloed op het ontdekken van medicijnen - het versnelt het hele proces van het identificeren van de meest veelbelovende kandidaten," aldus Vendruscolo.
"Door de kennis die we hebben opgedaan bij de eerste screening te gebruiken met ons machine learning model, konden we het model trainen om de specifieke gebieden op deze kleine moleculen te identificeren die verantwoordelijk zijn voor de binding.
"Voor ons betekent dit dat we kunnen beginnen aan meerdere programma's voor het ontdekken van medicijnen - in plaats van slechts één. Er is zoveel mogelijk door de enorme vermindering in zowel tijd als kosten - het is een spannende tijd."
De onderzoekers benadrukken dat dit nog maar het begin is van wat AI-benaderingen mogelijk zouden kunnen maken bij het ontdekken van medicijnen voor Parkinson en andere ziekten die worden gekenmerkt door eiwitmisvouwing en -aggregatie.
Met verdere ontwikkeling en grotere trainingsdatasets zou de voorspellende kracht van deze modellen alleen maar moeten verbeteren.
Hoewel er nog een lange weg te gaan is om deze door AI geïdentificeerde kandidaten om te zetten in goedgekeurde behandelingen, laat dit onderzoek zien hoe machine learning, slim gecombineerd met experimentele biologie, de vroege stadia van het ontdekken van medicijnen aanzienlijk kan versnellen.
Dit bouwt voort op een reeks onderzoeken die de uitdaging aangaan om nieuwe, innovatieve behandelingen met medicijnen te vinden, waaronder van MIT en Tuftsdat onlangs een model bouwde dat dagelijks zo'n 100 miljoen verbindingen kan doorzoeken.
Verschillende modellen voor ontdekking van antibiotica hebben experimentele verbindingen geproduceerd, waarvan sommige op weg naar klinische proeven.
Nog een grootschalig project vorig jaar in samenwerking met het Moorfields Eye Hospital in het Verenigd Koninkrijk oogscans gebruikt om de vroege tekenen van Parkinson te identificeren - een nieuwe methode die mogelijk wordt gemaakt door AI.
Met dit nieuwe onderzoek dat gericht is op het ontdekken van effectieve behandelingen voor Parkinson, laten AI-methoden een enorme belofte zien in het herdefiniëren van geneeskunde en gezondheidszorg.
