Forskare vid University of Cambridge har utnyttjat AI för att dramatiskt påskynda sökandet efter nya behandlingar för Parkinsons sjukdom.
Genom att använda maskininlärningstekniker kunde de screena miljontals potentiella läkemedelssubstanser och identifiera de mest lovande kandidaterna tio gånger snabbare och 1000 gånger mer kostnadseffektivt än med konventionella metoder.
Parkinsons sjukdom är en komplex, progressiv neurodegenerativ sjukdom som drabbar cirka 6 miljoner människor i världen. Denna siffra förväntas tredubblas fram till 2040.
För närvarande finns det inga behandlingar som på ett tillförlitligt sätt kan bromsa eller stoppa sjukdomsförloppet.
Den traditionella processen med screening av stora kemiska bibliotek för att hitta potentiella läkemedelskandidater är extremt långsam, dyr och ofta misslyckad.
"En väg att söka efter potentiella behandlingar för Parkinsons sjukdom kräver identifiering av små molekyler som kan hämma aggregeringen av alfa-synuklein, som är ett protein som är nära förknippat med sjukdomen", säger den ledande forskaren professor Michele Vendruscolo berättade för University of Cambridge.
"Men det här är en extremt tidskrävande process - bara att identifiera en huvudkandidat för vidare tester kan ta månader eller till och med år."
För att ta itu med denna utmaning utvecklade Vendruscolo och hans team en maskininlärningsmetod i 5 steg. Den studie publicerades i Naturkemisk biologi.
- Börja med en liten uppsättning föreningar, identifierade via simuleringar, som visar potential att blockera klumpbildning av proteinet alfa-synuklein, som är den främsta orsaken till Parkinsons sjukdom. Testa sedan deras effektivitet experimentellt.
- Använd resultaten för att träna en maskininlärningsmodell för att förutsäga vilka molekylära strukturer och egenskaper som gör en förening effektiv när det gäller att förhindra proteinaggregering.
- Använd den utbildade modellen för att snabbt screena ett virtuellt bibliotek med miljontals substanser och förutse de mest potenta utmanarna.
- Validera de bästa AI-utvalda kandidaterna experimentellt i labbet. Återför dessa resultat till modellen för att förfina dess prediktionsförmåga ytterligare.
- Upprepa denna cykel av beräkningsförutsägelser och experimentella tester, där AI-modellen blir smartare för varje omgång och siktar in sig på de mest kraftfulla föreningarna.
Under flera iterationer ökade optimeringsgraden - procentandelen av de testade substanserna som hämmade klumpbildning av alfa-synuklein i samband med Parkinsons sjukdom - från 4% till över 20%.
Dessutom var de substanser som AI hittade i genomsnitt mycket mer potenta än de substanser som tidigare identifierats. Vissa uppvisade lovande aktivitet vid åtta gånger lägre doser. De var också mer kemiskt diversifierade, och modellen upptäckte effektiva föreningar som skilde sig från kända strukturer.
"Maskininlärning har en verklig inverkan på läkemedelsupptäckten - det snabbar upp hela processen med att identifiera de mest lovande kandidaterna", säger Vendruscolo.
"Genom att använda den kunskap vi fick från den inledande screeningen med vår maskininlärningsmodell kunde vi träna modellen att identifiera de specifika regioner på dessa små molekyler som är ansvariga för bindningen, så att vi kan göra en ny screening och hitta mer potenta molekyler."
"För oss innebär det att vi kan börja arbeta med flera program för läkemedelsutveckling - istället för bara ett. Så mycket är möjligt tack vare den enorma minskningen av både tid och kostnader - det är en spännande tid."
Forskarna betonar att detta bara är början på vad AI-metoder kan möjliggöra inom läkemedelsutveckling för Parkinsons sjukdom och andra sjukdomar som kännetecknas av felveckning och aggregering av proteiner.
Med ytterligare utveckling och större träningsdataset bör dessa modellers prediktiva förmåga bara förbättras.
Även om det fortfarande är en lång väg kvar innan dessa AI-identifierade kandidater blir godkända behandlingar, visar denna studie hur maskininlärning, smart kombinerad med experimentell biologi, kan påskynda de tidiga stadierna av läkemedelsupptäckt.
Detta bygger på en rad forskningsresultat som tar sig an utmaningen att hitta nya, innovativa läkemedelsbehandlingar, bland annat från MIT och Tuftssom nyligen byggt en modell som kan gå igenom 100 miljoner föreningar varje dag.
Flera modeller för upptäckt av antibiotika har producerat experimentella föreningar, av vilka några är på väg till kliniska prövningar.
En annan storskaligt projekt i samarbete med Moorfields Eye Hospital i Storbritannien, använde förra året ögonskanningar för att identifiera tidiga tecken på Parkinsons sjukdom - en ny metod som möjliggörs av AI.
Med denna nya studie, som syftar till att upptäcka effektiva behandlingar av Parkinsons sjukdom, visar AI-metoder ett stort löfte om att omdefiniera medicin och sjukvård.
