Veštačka inteligencija koja bi mogla da smanji troškove i ubrza otkrivanje novih lekova razvijena je kao deo saradnje između istraživača sa Univerziteta u Šefildu i AstraZeneke.
Nova tehnologija, koju su razvili profesor Haiping Lu i njegov dr. student Pejžen Bai sa Šefildovog odseka za računarske nauke, sa dr Filipom Miljkovićem i dr Binom Džonom iz AstraZeneke, opisan je u novoj studiji objavljenoj u Nature Machine Intelligence.
Studija pokazuje da veštačka inteligencija, nazvana DrugBAN, može predvideti da li će lek kandidat stupiti u interakciju sa svojim nameravanim ciljnim proteinskim molekulima unutar ljudskog tela.
Već postoji veštačka inteligencija koja može da predvidi da li će lekovi dostići željene ciljeve, ali tehnologija koju su razvili istraživači iz Šefilda i AstraZeneke može to da uradi sa većom preciznošću i takođe pruži korisne uvide koji će naučnicima pomoći da shvate kako lekovi stupaju u interakciju sa svojim proteinskim partnerima na molekularnom nivou. nivou, prema radu objavljenom 2. februara 2023.
AI ima potencijal da informiše da li će lek uspešno angažovati nameravani protein povezan sa rakom ili će se lek kandidat vezati za neželjene mete u telu i dovesti do neželjenih nuspojava za pacijente.
AI je obučen da nauči podstrukture proteina u ljudskom telu, kao i one jedinjenja lekova. Tehnologija zatim uči kako ove podstrukture mogu da komuniciraju jedna sa drugom, na šta se oslanja da bi predvidela kako će se novi lekovi verovatno ponašati.
Haiping Lu, profesor mašinskog učenja na Univerzitetu u Šefildu, rekao je: „Mi smo dizajnirali veštačku inteligenciju sa dva primarna cilja. Prvo, želimo da veštačka inteligencija uhvati kako lekovi reaguju na svoje mete u finijoj skali, jer bi to moglo da pruži korisne biološke uvide koji pomažu istraživačima da razumeju ove interakcije na molekularnom nivou. Drugo, želimo da alatka bude u stanju da predvidi kakve će biti ove interakcije sa novim lekovima ili ciljevima kako bi se ubrzao ukupan proces predviđanja. Studija koju smo danas objavili pokazuje naše AI model radi oboje.“
Ključ za dizajn veštačke inteligencije je način na koji model uči interakcije podstrukture u paru — višestruke interakcije koje se mogu desiti između podstruktura jedinjenja leka i proteina u telu. Dok većina postojećih veštačkih inteligencija za predviđanje lekova na tržištu uči iz celih reprezentacija lekova i proteina, koji ne obuhvataju njihove podstrukture i tako pružaju manje korisne uvide.
U sledećoj fazi razvoja AI, tim planira da koristi detaljnije podatke o strukturi jedinjenja i proteina kako bi AI bio još precizniji.
Dr Bino Džon, direktor za nauku o podacima, kliničku farmakologiju i bezbednosne nauke (CPSS), u AstraZeneci, rekao je: „Ključna novina DrugBAN-a je njegovo oslanjanje na bilinearnu mrežu pažnje koja mu omogućava da nauči interakcije iz podstruktura oba leka i njihove mete istovremeno. Takođe smo izvorni kod učinili dostupnim javnosti, što se nadamo da će podržati više pristupa AI koji će nastaviti da ubrzavaju otkrivanje lekova.“
Otkrivanje i razvoj lekova korišćenjem tradicionalnih metoda može biti neverovatno teško, sa dugim vremenom razvoja i ogromnim sumama novca u izdacima. Međutim, procesi otkrivanja lekova imaju potencijal da budu značajno ubrzani; sa napretkom u veštačkoj inteligenciji i digitalnoj tehnologiji, istraživači pronalaze nove načine da odrede sa kojim proteinima lek može da stupi u interakciju u našem telu.
Nik Braun, šef odeljenja za analizu i analizu podataka, CPSS, AstraZeneca, rekao je „Zaista sam uzbuđen što vidim ovaj rad, posebno zato što za razliku od drugih pristupa, DrugBAN istovremeno uči od lekova kandidata i njihovih meta koristeći bilinearnu mrežu pažnje, i eksplicitno je dizajniran da generalizujemo problem“.
Profesor Gaj Braun, šef Odseka za kompjuterske nauke Univerziteta u Šefildu, dodao je: „Naše istraživanje u Šefildu je snažno motivisano željom da napravimo pozitivnu razliku u životima ljudi, a interakciju sa liderima u industriji kao što je AstraZeneca vidimo kao ključnu za ta misija.
„Ovo je uzbudljivo istraživanje koje će, nadamo se, omogućiti značajan napredak u dizajnu terapeutika. Pristup je takođe karakterističan po svom fokusu na interpretabilnost, omogućavajući ljudskim stručnjacima da imaju koristi od uvida koje generiše AI sistem.“
