В прорывное исследованиеИсследователи Массачусетского технологического института и Университета Тафтса разработали метод машинного обучения (ML) для ускорения процесса открытия лекарств.
Существуют огромные библиотеки лекарств, содержащие миллиарды различных соединений, которые могут эффективно лечить все - от рака до сердечных заболеваний. Вопрос в том, как их найти?
Поиск лекарств традиционно был трудоемким процессом, когда ученым приходилось тестировать каждое потенциальное соединение на всех возможных мишенях - трудоемкое и дорогостоящее занятие.
Чтобы решить эту проблему, исследователи начали использовать вычислительные методы для скрининга библиотек лекарственных соединений. Однако этот подход все еще требует значительного времени, поскольку предполагает расчет трехмерной структуры каждого целевого белка на основе его аминокислотной последовательности.
Однако команда из Массачусетского технологического института и Тафтса разработала новый подход, основанный на большой языковой модели (LLM) - модели, которая используется в таких ИИ, как ChatGPT. Модель анализирует огромные объемы данных, чтобы определить, какие аминокислоты могут сочетаться друг с другом, подобно тому, как языковые модели, такие как ChatGPT, анализируют огромные объемы текста, чтобы определить, какие слова сочетаются друг с другом.
Эта новая модель, под названием ConPLexОна позволяет сопоставлять целевые белки с потенциальными молекулами лекарств без расчета структуры молекул. Модель позволила исследователям отсеять более 100 миллионов соединений за один день.
Бонни Бергер, профессор математики Саймонс и руководитель группы "Вычисления и биология" в Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL), говорит: "Эта работа удовлетворяет потребность в эффективном и точном скрининге потенциальных кандидатов в лекарственные препараты in silico, а масштабируемость модели позволяет проводить масштабные скрининги для оценки внецелевых эффектов, репозиционирования лекарств и определения влияния мутаций на связывание лекарств".
ИИ оптимизирует скрининг и разработку лекарств
Ключевым препятствием в этой области является тенденция существующих моделей не отбрасывать соединения-"приманки". Эти соединения похожи на успешные препараты, но не взаимодействуют с мишенью. Чтобы исключить "приманки", команда включила этап обучения, который помог модели отличить настоящие лекарства от самозванцев.
Исследователи проверили модель ConPLex, проанализировав библиотеку из около 4700 молекул-кандидатов в лекарственные препараты против набора из 51 фермента, известного как протеинкиназы.
Экспериментально проверив 19 наиболее перспективных пар "лекарство-белок", они обнаружили 12, обладающих сильным сродством к связыванию с мишенью.
Хотя это исследование было посвящено в основном мелкомолекулярным препаратам, команда изучает возможности применения этого подхода к другим типам лекарств, таким как терапевтические антитела.
Модель также может проводить скрининг токсичности потенциальных лекарственных соединений, чтобы убедиться, что они не вызывают нежелательных побочных эффектов, прежде чем тестировать их на животных моделях.
Рохит Сингх, научный сотрудник CSAIL, утверждает: "Отчасти открытие лекарств обходится так дорого потому, что оно имеет высокий процент неудач. Если мы сможем снизить процент неудач, заранее сказав, что это лекарство, скорее всего, не сработает, это значительно снизит стоимость открытия лекарств".
Эйтан Руппин, руководитель лаборатории Cancer Data Science в Национальном институте рака, называет этот подход "значительным прорывом в предсказании взаимодействия лекарств с мишенями".
В конце мая другая исследовательская группа из Массачусетского технологического института создала модель для отбора антибиотиков, которая работает аналогично этой.
Команда использовала машинное обучение для изучения тысяч существующих лекарств и обнаружила одно конкретное соединение, эффективное против устойчивых к антибиотикам супержуков.
