Пока еще рано говорить о том, приведет ли ИИ к созданию новых жизненно важных лекарств. Однако он может, по крайней мере, помочь выявить неэффективные лекарства раньше, прежде чем компании потратят на их разработку кучу денег. Например, ИИ может лучше предсказать, будут ли экспериментальные лекарства иметь побочный эффект, который подавляет выработку ферментов, расщепляющих лекарства в организме, или предотвращает их выработку до токсичных уровней.
Идентификация белков, которые могут играть ключевую роль в заболевании. ИИ может сортировать массивы информации, например данные из тканей или образцов крови пациентов, у которых есть болезнь, и других пациентов. Это может помочь исследователям сосредоточиться на разработке новых соединений, которые могут воздействовать конкретно на эти белки. ИИ можно использовать для обработки миллионов изображений клеток - больше, чем человек может самостоятельно просмотреть за всю свою жизнь, - чтобы предсказать, могут ли экспериментальные методы лечения предотвратить или остановить болезнь, не нанося вреда здоровым клеткам. Обработка данных об уже существующих лекарствах может выявить идеи по изменению назначения лечения, объединить их, чтобы сделать их более эффективными, или найти способы персонализировать их на основе генетических маркеров. Алгоритмы машинного обучения можно использовать на всех этапах процесса разработки лекарств. Например, для поиска их нового применения, прогнозирования взаимодействий, например, лекарство-белок, определения его эффективности, обеспечения биомаркеров безопасности и оптимизации биоактивности молекул.
Основной причиной редких заболеваний обычно является генетическая мутация. Чтобы построить модели для поиска лечения этих заболеваний, нужно понять эффекты большого диапазона мутаций и их взаимосвязи с разными фенотипами. Чтобы эффективно сравнивать возможные методы лечения конкретного редкого заболевания, проводится обучение нейросетей на базе из тысяч различных мутаций.
Высокая стоимость вывода на рынок новых препаратов привела к тому, что фармацевтические компании часто делают выбор в пользу рыночных «хитов» вместо исследования лекарств для серьезных заболеваний. Небольшие, команды дата-аналитиков в стартапах лучше подготовлены для инноваций в этой области, а забытые и редкие заболевания дают возможность выйти на рынок и продемонстрировать ценность машинного обучения.
Эффективность этого подхода видна, например, команды всего из нескольких сотен ученых и инженеров в таких компаниях, как Recursion Pharmaceuticals достигают результата в таких исследованиях. У стартапа TwoXAR несколько кандидатов на лекарства, которые проходят доклинические испытания в других категориях заболеваний.
Источник контента:
Лекарства могут работать только в том случае, когда они придерживаются своих целевых белков в организме. Оценка липкости является ключевым препятствием в процессе открытия и проверки лекарств. Новое исследование, сочетающее химию и машинное обучение, может нивелировать это препятствие.
Новый метод, получивший название DeepBAR, быстро вычисляет сродство связывания между лекарствами-кандидатами и их мишенями. Этот подход, разработанный ведущим автором исследования Синьцян Дином, постдоком химического факультета Массачусетского технологического института, позволяет производить точные расчеты за меньшее время по сравнению с другими современными методами. Исследователи говорят, что DeepBAR однажды может ускорить темпы открытия лекарств и белковой инженерии.
Источник контента:
Для создания лекарства необходимо находить «хорошие» биологические мишени, придумывать или находить молекулы с заданными свойствами, предсказывать свойства молекул и синтезировать их.
Всем перечисленным занимается хемоинформатика. Иохан Гаштайгер дал определение этой науки — «применение методов информатики для решения химических проблем».
Молекул, которые могут обладать лекарственными свойствами, невероятное количество. Крупнейшие базы содержат сотни миллионов и даже миллиарды молекул с описанными свойствами. Но теоретически лекарственными свойствами может обладать 10 в 33 степени молекул. Это чудовищная цифра.
Для разработки лекарств нужен очень умный алгоритм, который способен «найти атом в стоге сена». Возникает следующая задача: как предсказывать биологические свойства молекул?
Одним из подходящих вариантов является метод машинного обучения, также известный под аббревиатурой QSAR. Подобные методы основаны на том, что молекула и ее свойства представляется в виде некого набора чисел — вектора. Этот вектор мы передаем машине. Практика показала, что методы машинного обучения ошибаются намного реже и работают лучше, чем человек.
Вторым пунктом, благодаря которому в области дизайна лекарств очень заинтересовались нейронными сетями стала возможность строить модели напрямую на структурах молекул. То есть мы можем брать молекулярную структуру и напрямую, без расчета каких-то признаков, отправлять ее в нейронную сеть и предсказывать свойства.
Теперь, при существовании подобных моделей, есть возможность взять некоторую библиотеку виртуально доступных молекул и проскринировать через QSAR модель на наличие нужных свойств. Отсеивание неподходящих молекул посредством данной технологии существенно экономит время, так как проверить оставшиеся молекулы намного проще.
Источник контента: