|
ИИ может ускорить открытие новых лекарств
|
|
|
|
Искусственный интеллект может генерировать стихи и эссе, создавать отзывчивых игровых персонажей, анализировать огромные объемы данных и обнаруживать закономерности, которые человеческий глаз может не заметить. Представьте, что ИИ может сделать для открытия лекарств — традиционно трудоемкого и дорогостоящего процесса, от лабораторного до клинического. Эксперты видят большие перспективы в дополнительном подходе, использующем ИИ и обнаружение лекарств на основе структуры, вычислительном методе, который опирается на знание трехмерных структур биологических целей.
|
|
|
Недавно мы встретились со Всеволодом «Севой» Катричем, адъюнкт-профессором количественной и вычислительной биологии и химии в Колледже литературы, искусств и наук Университета Южной Калифорнии в Дорнсайфе и Центре конвергентных биологических наук Майкельсона Университета Южной Калифорнии. Катрич является содиректором Центра новых технологий в области открытия и разработки лекарств (CNT3D) в Центре Майкельсона USC и ведущим автором новой обзорной статьи, опубликованной в журнале Nature. В статье, написанной в соавторстве с научным сотрудником Университета Южной Калифорнии Анастасией Садыбековой, описывается, как вычислительные подходы упростят поиск лекарств.
|
|
|
|
Мы находимся на пороге больших успехов в открытии лекарств. Что привело нас к этому моменту?
|
|
|
|
За последние несколько лет произошел сейсмический сдвиг в вычислительном открытии лекарств: взрыв доступности данных о клинически значимых белковых структурах человека и молекулах, которые их связывают, огромные химические библиотеки лекарствоподобных молекул, почти неограниченная вычислительная мощность и новые, более эффективные вычислительные методы. Последнее волнение связано с открытием лекарств на основе ИИ, но еще более мощным является сочетание ИИ и открытия лекарств на основе структуры, причем оба подхода синергетически дополняют друг друга.
|
|
|
|
Как открывались лекарства в прошлом?
|
|
|
|
Традиционное открытие лекарств — это в основном предприятие проб и ошибок. Это медленно и дорого, в среднем занимает 15 лет и 2 миллиарда долларов. На каждом этапе, от выбора цели до оптимизации потенциальных клиентов, наблюдается высокий уровень отсева. Наибольшие возможности для экономии времени и затрат связаны с более ранними этапами открытия и доклиническими стадиями.
|
|
|
|
Что происходит на ранней стадии?
|
|
|
|
Проведем аналогию с замком и ключом. Рецептор-мишень — это замок, а лекарство, которое блокирует или активирует этот рецептор, является ключом к этому замку. (Конечно, с оговоркой, что в биологии нет ни черного, ни белого, поэтому некоторые из рабочих ключей переключают замок лучше, чем другие, и замок тоже немного податлив.) Вот пример. Липитор, самый продаваемый препарат всех времен, нацелен на фермент, участвующий в синтезе холестерина в печени. Рецептором фермента является замок. Липитор является ключом, подходящим к замку и блокирующим активность фермента, вызывая ряд событий, снижающих уровень плохого холестерина в крови. Теперь вычислительные подходы позволяют нам моделировать в цифровом виде многие миллиарды и даже триллионы виртуальных ключей и предсказывать, какие из них, вероятно, будут хорошими ключами. Только несколько десятков лучших ключей-кандидатов химически синтезируются и тестируются.
|
|
|
|
Это звучит намного эффективнее
|
|
|
|
Если модель хороша, этот процесс дает лучшие результаты, чем традиционное тестирование миллионов случайных ключей методом проб и ошибок. Это снижает физические требования к синтезу соединений и их тестированию более чем в тысячу раз, при этом часто достигая лучших результатов, что продемонстрировано нашей работой и работой многих других групп, работающих в этой области.
|
|
|
|
Можете ли вы объяснить разницу между двумя основными вычислительными подходами, основанным на структуре и на основе ИИ?
|
|
|
|
Следуя аналогии с замком и ключом, подход, основанный на структуре, использует наше детальное понимание структуры замка. Если трехмерная физическая структура замка известна, мы можем использовать виртуальные методы для предсказания структуры ключа, соответствующего замку. Машинное обучение или подход на основе ИИ лучше всего работает, когда уже известно много ключей для нашей целевой блокировки или других подобных замков. Затем ИИ может проанализировать эту смесь похожих замков и ключей и предсказать ключи, которые, скорее всего, подойдут нашей цели. Ему не нужно точное знание структуры замка, но нужна большая коллекция соответствующих ключей. Таким образом, структурный и ИИ-подходы применимы в разных случаях и дополняют друг друга.
|
|
|
|
Существуют ли какие-либо вычислительные ограничения для этого процесса?
|
|
|
|
При тестировании миллиардов и триллионов виртуальных соединений на облачных компьютерах сами вычислительные затраты могут стать узким местом. Модульная технология скрининга гигамасштаба позволяет нам значительно ускорить и снизить стоимость за счет виртуального прогнозирования хороших частей ключа, объединения их вместе, создания ключа из нескольких частей. Для библиотеки из 10 миллиардов соединений это снижает вычислительные затраты с миллионов долларов до сотен и позволяет дальнейшее масштабирование до триллионов соединений.
|
|
|
|
Источник
|
