|
ИИ ищет новые фармацевтические ингредиенты
|
|
|
|
Новые активные фармацевтические ингредиенты закладывают основу для инновационных и более эффективных методов лечения. Однако их идентификация и, прежде всего, получение посредством химического синтеза в лаборатории — непростая задача. Чтобы найти оптимальный производственный процесс, химики обычно используют метод проб и ошибок: они выводят возможные методы лабораторного синтеза из известных химических реакций, а затем проверяют каждый из них с помощью экспериментов - трудоемкий подход, который завален тупиками. Теперь ученые из ETH Zurich вместе с исследователями из Roche Pharma Research and Early Development разработали подход, основанный на искусственном интеллекте, который помогает определить лучший метод синтеза, включая вероятность его успеха. Их статья опубликована в журнале Nature Chemistry. «Наш метод может значительно сократить количество необходимых лабораторных экспериментов», — объясняет Кеннет Атц, который разработал модель ИИ в качестве аспиранта вместе с профессором Гисбертом Шнайдером в Институте фармацевтических наук ETH Цюриха.
|
|
|
|
Активные фармацевтические ингредиенты обычно состоят из каркаса, к которому прикреплены так называемые функциональные группы. Именно это придает веществу его весьма специфическую биологическую функцию. Задача каркаса — привести функциональные группы в определенное геометрическое выравнивание, чтобы они могли действовать целенаправленно. Представьте себе крановый конструктор, в котором каркас из соединительных элементов скреплен болтами таким образом, что функциональные узлы, такие как ролики, тросовые лебедки, колеса и кабина машиниста, расположены правильно по отношению друг к другу. Один из способов получения лекарств с новым или улучшенным лечебным эффектом заключается в размещении функциональных групп в новых участках каркаса. Это может показаться простым и, конечно, не создаст проблем для модели крана, но особенно сложно это сделать в химии. Это связано с тем, что каркасы, состоящие в основном из атомов углерода и водорода, сами по себе практически нереакционноспособны, что затрудняет их связывание с функциональными атомами, такими как кислород, азот или хлор. Чтобы добиться успеха, каркасы должны сначала быть химически активированы посредством обходных реакций.
|
|
|
Одним из методов активации, открывающим множество возможностей для различных функциональных групп, по крайней мере на бумаге, является борилирование. В этом процессе химическая группа, содержащая элемент бор, связывается с атомом углерода в каркасе. Тогда группу бора можно будет просто заменить целым рядом эффективных с медицинской точки зрения групп. «Хотя у борилирования есть большой потенциал, реакцию трудно контролировать в лаборатории. Вот почему наш всесторонний поиск в мировой литературе выявил лишь чуть более 1700 научных работ по этому вопросу», — говорит Атц, описывая отправную точку своей работы. Идея заключалась в том, чтобы взять реакции, описанные в научной литературе, и использовать их для обучения модели искусственного интеллекта, которую исследовательская группа могла бы затем использовать для рассмотрения новых молекул и определения на них как можно большего количества участков, где борилирование было бы осуществимо. Однако в конечном итоге исследователи предоставили своей модели лишь часть найденной литературы. Чтобы гарантировать, что модель не была введена в заблуждение ложными результатами небрежного исследования, команда ограничилась 38 особенно заслуживающими доверия статьями. Всего они описали 1380 реакций борилирования.
|
|
|
|
Чтобы расширить набор обучающих данных, команда дополнила литературные результаты оценками 1000 реакций, проведенных в автоматизированной лаборатории исследовательского отдела медицинской химии компании «Рош». Это позволяет проводить и анализировать множество химических реакций в миллиграммовом масштабе. «Сочетание автоматизации лабораторий с искусственным интеллектом имеет огромный потенциал для значительного повышения эффективности химического синтеза и одновременного улучшения устойчивости», — говорит Дэвид Ниппа, аспирант из компании Roche, который реализовал проект вместе с Atz. Прогностические возможности модели, созданной на основе этого пула данных, были проверены с использованием шести известных молекул лекарств. В 5 из 6 случаев экспериментальные испытания в лаборатории подтвердили предсказанные дополнительные участки. Модель оказалась столь же надежной, когда дело дошло до идентификации участков на эшафоте, где активация невозможна. Более того, были определены оптимальные условия для реакций активации.
|
|
|
|
Интересно, что предсказания стали еще лучше, когда была включена трехмерная информация об исходных материалах, а не только их двумерные химические формулы. «Похоже, что эта модель развивает своего рода трехмерное химическое понимание», — говорит Атц. Успех прогнозов также впечатлил исследователей из Roche Pharma Research and Early Development. Тем временем они успешно использовали этот метод для определения участков в существующих лекарствах, куда можно ввести дополнительные активные группы. Это помогает им быстрее разрабатывать новые и более эффективные варианты известных активных фармацевтических ингредиентов. Атц и Шнайдер видят множество других возможных применений моделей ИИ, основанных на сочетании данных из заслуживающей доверия литературы и экспериментов, проведенных в автоматизированной лаборатории. Например, этот подход должен позволить создать эффективные модели для реакций активации, отличных от борилирования.
|
|
|
|
Команда также надеется выявить более широкий спектр реакций для дальнейшей функционализации борилированных сайтов. Сейчас Атц участвует в этой дальнейшей разработке в качестве ученого в области искусственного интеллекта в области исследований в области медицинской химии в компании Roche. «Очень интересно работать на стыке академических исследований в области искусственного интеллекта и автоматизации лабораторий. И мне приятно иметь возможность продвигать это вперед, используя лучший контент и методы», — говорит Атц. Шнайдер добавляет: «Этот инновационный проект является еще одним выдающимся примером сотрудничества между научными кругами и промышленностью и демонстрирует огромный потенциал государственно-частного партнерства для Швейцарии».
|
|
|
|
Источник
|
