Istraživači su koristili tehnike veštačke inteligencije da bi masovno ubrzali potragu za tretmanima Parkinsonove bolesti.
Istraživači sa Univerziteta u Kembridžu dizajnirali su i koristili strategiju zasnovanu na veštačkoj inteligenciji da identifikuju jedinjenja koja blokiraju zgrušavanje ili agregaciju alfa-sinukleina, proteina koji karakteriše Parkinsonovu bolest.
Tim je koristio tehnike mašinskog učenja kako bi brzo pregledao hemijsku biblioteku koja sadrži milione unosa i identifikovao pet veoma moćnih jedinjenja za dalje istraživanje.
Parkinsonova bolest pogađa više od šest miliona ljudi širom sveta, a predviđa se da će se taj broj utrostručiti do 2040. Trenutno nema dostupnih tretmana za modifikaciju bolesti. Proces skrininga velikih hemijskih biblioteka za kandidate za lekove — koji treba da se desi mnogo pre nego što se potencijalni tretmani mogu testirati na pacijentima — je izuzetno dugotrajan i skup, a često i neuspešan.
Koristeći mašinsko učenje, istraživači su uspeli da ubrzaju početni proces skrininga za deset puta i smanje troškove hiljadu puta, što bi moglo značiti da potencijalni tretmani za Parkinsonovu bolest dođu do pacijenata mnogo brže. Rezultati su objavljeni u časopisu Nature Chemical Biology.
Parkinsonova bolest je najbrže rastuće neurološko stanje na svetu. U Velikoj Britaniji, jedan od 37 ljudi koji žive danas će dobiti dijagnozu Parkinsonove bolesti tokom svog života. Pored motoričkih simptoma, Parkinsonova bolest takođe može uticati na gastrointestinalni sistem, nervni sistem, obrasce spavanja, raspoloženje i spoznaju, i može doprineti smanjenom kvalitetu života i značajnom invaliditetu.
Proteini su odgovorni za važne ćelijske procese, ali kada ljudi imaju Parkinsonovu bolest, ovi proteini postaju lažni i uzrokuju smrt nervnih ćelija. Kada se proteini pogrešno savijaju, mogu da formiraju abnormalne grupe koje se nazivaju Levijeva tela, koja se nakupljaju u moždanim ćelijama i sprečavaju ih da pravilno funkcionišu.
„Jedan put za traženje potencijalnih tretmana za Parkinsonovu bolest zahteva identifikaciju malih molekula koji mogu da inhibiraju agregaciju alfa-sinukleina, proteina koji je blisko povezan sa bolešću“, rekla je profesorka Mišel Vendruskolo sa Odseka za hemiju Jusuf Hamied. vodio istraživanje. „Ali ovo je izuzetno dugotrajan proces – samo identifikacija glavnog kandidata za dalje testiranje može potrajati mesecima ili čak godinama.“
Iako su trenutno u toku klinička ispitivanja za Parkinsonovu bolest, nijedan lek koji modifikuje bolest nije odobren, što odražava nemogućnost direktnog ciljanja na molekularne vrste koje uzrokuju bolest.
Ovo je bila velika prepreka u Parkinsonovom istraživanju, zbog nedostatka metoda za identifikaciju tačnih molekularnih ciljeva i interakciju sa njima. Ovaj tehnološki jaz je ozbiljno omeo razvoj efikasnih tretmana.
Tim iz Kembridža je razvio metod mašinskog učenja u kome se pregledavaju hemijske biblioteke koje sadrže milione jedinjenja da bi se identifikovali mali molekuli koji se vezuju za amiloidne agregate i blokiraju njihovu proliferaciju.
Mali broj jedinjenja najvišeg ranga je zatim eksperimentalno testiran da bi se odabrali najmoćniji inhibitori agregacije. Informacije dobijene ovim eksperimentalnim testovima vraćane su u model mašinskog učenja na iterativni način, tako da su nakon nekoliko iteracija identifikovana veoma moćna jedinjenja.
„Umesto da vršimo eksperimentalni skrining, mi pregledamo računarski“, rekao je Vendruscolo, koji je ko-direktor Centra za bolesti pogrešnog savijanja. „Koristeći znanje koje smo stekli iz početnog skrininga sa našim modelom mašinskog učenja, uspeli smo da obučimo model da identifikuje specifične regione na ovim malim molekulima odgovornim za vezivanje, a zatim možemo ponovo da pregledamo i pronađemo moćnije molekule.
Koristeći ovu metodu, Kembridž tim je razvio jedinjenja za ciljanje džepova na površinama agregata, koji su odgovorni za eksponencijalnu proliferaciju samih agregata. Ova jedinjenja su stotine puta snažnija i daleko jeftinija za razvoj od onih koji su ranije prijavljeni.
„Mašinsko učenje ima stvaran uticaj na proces otkrivanja lekova — ubrzava ceo proces identifikacije kandidata koji najviše obećavaju“, rekao je Vendruskolo. „Za nas to znači da možemo da započnemo rad na više programa za otkrivanje lekova — umesto na samo jednom. Toliko je moguće zbog ogromnog smanjenja i vremena i troškova — ovo je uzbudljivo vreme.“
