Pronalaženje novih lekova — što se naziva „otkrivanje lekova“ — je skup i dugotrajan zadatak. Ali vrsta veštačke inteligencije koja se zove mašinsko učenje može značajno ubrzati proces i obaviti posao za delić cene.
Moje kolege i ja smo nedavno koristili ovu tehnologiju da pronađemo tri obećavajuća kandidata za senolitičke lekove — lekove koji usporavaju starenje i sprečavaju bolesti povezane sa starenjem. Naše istraživanje je objavljeno u časopisu Nature Communications.
Senolitici deluju tako što ubijaju stare ćelije. To su ćelije koje su „žive” (metabolički aktivne), ali koje više ne mogu da se repliciraju, pa otuda i njihov nadimak: zombi ćelije.
Nemogućnost repliciranja nije nužno loša stvar. Ove ćelije su pretrpele oštećenje svoje DNK — na primer, ćelije kože oštećene sunčevim zracima — tako da zaustavljanje replikacije sprečava širenje oštećenja.
Ali stare ćelije nisu uvek dobra stvar. Oni luče koktel inflamatornih proteina koji se mogu proširiti na susedne ćelije. Tokom života, naše ćelije trpe niz napada, od UV zraka do izlaganja hemikalijama, i tako se ove ćelije akumuliraju. Povećan broj senescentnih ćelija je umešan u niz bolesti, uključujući dijabetes tipa 2, COVID, plućnu fibrozu, osteoartritis i rak.
Studije na laboratorijskim miševima pokazale su da eliminisanje starenja ćelija, korišćenjem senolitika, može poboljšati ove bolesti. Ovi lekovi mogu da ubiju zombi ćelije dok održavaju zdrave ćelije u životu.
Poznato je oko 80 senolitika, ali samo dva su testirana na ljudima: kombinacija dasatiniba i kvercetina. Bilo bi sjajno pronaći više senolitika koji se mogu koristiti kod raznih bolesti, ali potrebno je deset do 20 godina i milijarde dolara da bi lek došao na tržište.
Moje kolege i ja – uključujući istraživače sa Univerziteta u Edinburgu i Španskog nacionalnog istraživačkog saveta IBBTEC-CSIC u Santanderu, Španija – želeli smo da znamo da li možemo da obučimo modele mašinskog učenja da identifikujemo nove kandidate za senolitičke lekove.
Da bismo to uradili, nahranili smo AI modele primerima poznatih senolitičkih i ne-senolitičkih. Modeli su naučili da razlikuju ovo dvoje i mogli su da se koriste za predviđanje da li molekuli koje nikada ranije nisu videli takođe mogu biti senolitici.
Kada rešavamo problem mašinskog učenja, obično prvo testiramo podatke na nizu različitih modela jer neki od njih imaju tendenciju da rade bolje od drugih. Da bismo odredili model sa najboljim učinkom, na početku procesa odvajamo mali deo dostupnih podataka o obuci i držimo ga skrivenim od modela sve dok se proces obuke ne završi. Zatim koristimo ove podatke testiranja da kvantifikujemo koliko grešaka model pravi. Onaj ko napravi najmanje grešaka, pobeđuje.
Odredili smo naš najbolji model i postavili ga da pravi predviđanja. Dali smo mu 4.340 molekula i pet minuta kasnije je dostavio listu rezultata.
Model veštačke inteligencije identifikovao je 21 molekul sa najboljim rezultatima za koje se smatralo da imaju veliku verovatnoću da budu senolitici. Da smo testirali originalnih 4.340 molekula u laboratoriji, bilo bi potrebno najmanje nekoliko nedelja intenzivnog rada i 50.000 funti samo za kupovinu jedinjenja, ne računajući troškove eksperimentalne mašinerije i podešavanja.
Zatim smo testirali ove kandidate za lek na dve vrste ćelija: zdrave i stare. Rezultati su pokazali da su od 21 jedinjenja, tri (periplocin, oleandrin i ginketin) bila u stanju da eliminišu stare ćelije, istovremeno održavajući većinu normalnih ćelija u životu. Ovi novi senolitici su zatim prošli dalje testiranje kako bi saznali više o tome kako funkcionišu u telu.
Detaljniji biološki eksperimenti su pokazali da je, od tri leka, oleandrin bio efikasniji od poznatog senolitičkog leka te vrste sa najboljim učinkom.
Potencijalne posledice ovog interdisciplinarnog pristupa – koji uključuje naučnike podataka, hemičare i biologe – su ogromne. S obzirom na dovoljno visokokvalitetnih podataka, modeli veštačke inteligencije mogu da ubrzaju neverovatan posao koji hemičari i biolozi obavljaju na pronalaženju tretmana i lekova za bolesti – posebno one za koje nisu zadovoljene potrebe.
Pošto smo ih potvrdili u starim ćelijama, sada testiramo tri kandidata za senolitike u ljudskom plućnom tkivu. Nadamo se da ćemo sledeće rezultate izvesti za dve godine.
