I en banbrytande studieForskare från MIT och Tufts University har utvecklat en maskininlärningsmetod (ML) för att påskynda processen för läkemedelsupptäckt.
Det finns enorma läkemedelsbibliotek som innehåller miljarder olika substanser som effektivt kan behandla allt från cancer till hjärtsjukdomar. Frågan är bara hur vi hittar dem?
Läkemedelsutveckling har traditionellt varit en arbetsintensiv process, där forskarna måste testa varje potentiell substans mot alla möjliga mål - en tidskrävande och kostsam uppgift.
För att lösa detta problem har forskare börjat använda beräkningsmetoder för att screena bibliotek med läkemedelssubstanser. Denna metod är dock fortfarande tidskrävande eftersom den innebär att man måste beräkna varje målproteins tredimensionella struktur utifrån dess aminosyresekvens.
Teamet vid MIT och Tufts har dock tagit fram ett nytt tillvägagångssätt baserat på en stor språkmodell (LLM), vilket är den typ av modell som driver AI som ChatGPT. Modellen analyserar stora mängder data för att avgöra vilka aminosyror som sannolikt kommer att matcha varandra, på samma sätt som språkmodeller som ChatGPT analyserar enorma textvolymer för att avgöra vilka ord som passar ihop.
Denna nya modell, med namnet ConPLexmatchar målproteiner med potentiella läkemedelsmolekyler utan att beräkna molekylstrukturer. Modellen gjorde det möjligt för forskarna att screena över 100 miljoner substanser på en dag.
Bonnie Berger, Simons Professor of Mathematics och chef för Computation and Biology-gruppen vid MIT:s Computer Science and Artificial Intelligence Laboratory (CSAIL), säger: "Det här arbetet tillgodoser behovet av effektiv och exakt in silico-screening av potentiella läkemedelskandidater, och modellens skalbarhet möjliggör storskaliga screeningar för att bedöma off-target-effekter, omplacering av läkemedel och fastställa mutationers inverkan på läkemedelsbindningen."
AI effektiviserar screening och utveckling av läkemedel
Ett stort hinder på området har varit att befintliga modeller har haft en tendens att misslyckas med att sortera bort "lockbeten". Dessa föreningar liknar framgångsrika läkemedel men interagerar inte bra med målet. För att kunna utesluta "bulvaner" införde teamet ett träningssteg som hjälpte modellen att skilja mellan riktiga läkemedel och bulvaner.
Forskarna testade ConPLex-modellen genom att screena ett bibliotek med cirka 4.700 läkemedelskandidater mot en uppsättning av 51 enzymer som kallas proteinkinaser.
Efter att experimentellt ha testat 19 av de mest lovande läkemedels-proteinparen fann de 12 med stark bindningsaffinitet med målet.
Även om denna studie främst fokuserade på småmolekylära läkemedel, undersöker teamet hur man kan tillämpa detta tillvägagångssätt på andra typer av läkemedel, t.ex. terapeutiska antikroppar.
Modellen kan också användas för att undersöka toxiciteten hos potentiella läkemedelssubstanser och säkerställa att de inte ger upphov till oönskade biverkningar innan de testas i djurmodeller.
Rohit Singh, forskare vid CSAIL, säger: "En del av anledningen till att läkemedelsutveckling är så dyr är att den har en hög andel misslyckanden. Om vi kan minska dessa misslyckanden genom att på förhand säga att det här läkemedlet troligen inte kommer att fungera, skulle det kunna bidra till att sänka kostnaderna för läkemedelsutveckling."
Eytan Ruppin, chef för Cancer Data Science Laboratory vid National Cancer Institute, hyllar metoden som ett "betydande genombrott inom prediktion av interaktioner mellan läkemedel och målgrupp".
I slutet av maj byggde ett annat forskarlag på MIT en modell för antibiotikascreening som fungerade på liknande sätt som den här.
Teamet använde maskininlärning för att utforska tusentals befintliga läkemedel och hittade en särskild substans som var effektiv mot antibiotikaresistenta superbuggar.