Генерирующие платформы искусственного интеллекта, от ChatGPT до Midjourney, привлекли внимание газет в 2023 году. Но GenAI может делать больше, чем просто создавать коллажи и помогать писать электронные письма — он также может разрабатывать новые лекарства для лечения болезней.
Сегодня ученые используют передовые технологии для разработки новых синтетических лекарственных соединений с нужными свойствами и характеристиками, что также известно как «разработка лекарств de novo». Однако современные методы могут быть трудоемкими, затратными по времени и затратам.
Вдохновленные популярностью ChatGPT и задаваясь вопросом, может ли этот подход ускорить процесс разработки лекарств, ученые из Колледжа науки и технологий Шмида Университета Чепмена в Ориндже, Калифорния, решили создать свою собственную модель GenAI, подробно описанную в новой статье «De Novo Drug Design с использованием машинного перевода на основе трансформатора и обучения с подкреплением для адаптивного поиска в дереве Монте-Карло», опубликованного в журнале Pharmaceuticals .
Дони Анг, Сирил Раковски и Хагоп Атамян закодировали модель, чтобы изучить огромный набор данных об известных химических веществах, о том, как они связываются с целевыми белками, а также о правилах и синтаксисе химической структуры и свойств в целом.
Конечным результатом может стать создание бесчисленных уникальных молекулярных структур, которые подчиняются основным химическим и биологическим ограничениям и эффективно связываются со своими целями, что обещает значительно ускорить процесс выявления жизнеспособных кандидатов на лекарства для широкого спектра заболеваний при гораздо меньших затратах.
Чтобы создать революционную модель, исследователи впервые объединили два передовых метода искусственного интеллекта в области биоинформатики и хемоинформатики: хорошо известную «архитектуру преобразователя кодировщика-декодера» и «обучение с подкреплением через поиск по дереву Монте-Карло» (RL- МКТС). Платформа, получившая удачное название «drugAI», позволяет пользователям вводить последовательность целевого белка (например, белка, который обычно участвует в прогрессировании рака).
DrugAI, обученный на данных из обширной общедоступной базы данных BindingDB, может генерировать уникальные молекулярные структуры с нуля, а затем итеративно уточнять кандидатов, гарантируя, что финалисты продемонстрируют сильное сродство связывания с соответствующими мишенями лекарств, что имеет решающее значение для эффективности потенциальных лекарств. Модель идентифицирует 50-100 новых молекул, которые могут ингибировать эти конкретные белки.
«Этот подход позволяет нам создать потенциальное лекарство, которое никогда не было изобретено», — сказал доктор Атамян. «Он был протестирован и подтвержден. Теперь мы видим великолепные результаты».
Исследователи оценили молекулы DrugAI, созданные по нескольким критериям, и обнаружили, что результаты DrugAI были такого же качества, как и результаты двух других распространенных методов, а в некоторых случаях даже лучше. Они обнаружили, что лекарства-кандидаты DrugAI имели степень достоверности 100 %, то есть ни одно из созданных лекарств не присутствовало в обучающем наборе.
Лекарства-кандидаты DrugAI также оценивались на предмет сходства свойств соединений со свойствами пероральных препаратов, и лекарства-кандидаты были как минимум на 42% и 75% выше, чем у других моделей. Кроме того, все молекулы, созданные с помощью лекарственного ИИ, демонстрировали сильное сродство связывания с соответствующими мишенями, сравнимое с теми, которые были выявлены с помощью традиционных подходов виртуального скрининга.
Анг, Раковски и Атамян также хотели посмотреть, как препарат AI действует при конкретном заболевании по сравнению с существующими известными лекарствами для лечения этого заболевания. В другом эксперименте методы скрининга составили список натуральных продуктов, ингибирующих белки COVID-19; DrugAI составил список новых лекарств, нацеленных на один и тот же белок, для сравнения их характеристик. Они сравнили сходство лекарств и сродство связывания между природными молекулами и лекарственными препаратами ИИ и обнаружили схожие измерения в обоих случаях, но препарат ИИ смог идентифицировать их гораздо быстрее и менее затратным способом.
Кроме того, ученые разработали алгоритм с гибкой структурой, позволяющей будущим исследователям добавлять новые функции. «Это означает, что в конечном итоге вы получите более усовершенствованные кандидаты на лекарства с еще более высокой вероятностью стать настоящим лекарством», — сказал доктор Атамян. «Мы рады открывающимся возможностям».
