Фармацевтическая промышленность постоянно ищет более эффективные и инновационные методы открытия лекарств. Традиционные методы высокопроизводительного скрининга (HTS) имеют свои ограничения, так как они могут оценивать лишь небольшую долю коммерчески доступных молекул. Однако с появлением искусственного интеллекта (AI) и техник машинного обучения (ML) существует надежда на более инновационный подход.
Компания Atomwise, которая активно использует технологии искусственного интеллекта и машинного обучения в фармацевтике, на передовой этого тренда. Их собственная платформа, AtomNet, использует техники глубокого обучения для конструирования лекарств на основе структуры. AtomNet применяет виртуальный подход высокопроизводительного скрининга, исследуя химическую библиотеку с огромным количеством синтезируемых соединений, превышающим 15 квадриллионов в общей сложности. Это позволяет AtomNet исследовать новое химическое пространство и определить потенциальные хиты.
Недавнее исследование из программы Atomwise AIMS (Artificial Intelligence Molecular Screen) демонстрирует потенциал вычислительного скрининга как жизнеспособной альтернативы физическому HTS. Исследование применило AtomNet к 318 различным целям, выявленным благодаря сотрудничеству более чем с 250 академическими лабораториями из 30 стран. AtomNet успешно выявил структурно новые хиты для 235 из 318 целей, что привело к замечательному успеху в 74%. Это превосходит уровни успешности, обычно достигаемые через традиционные методы HTS, оцениваемые примерно в 50%.
Успех AtomNet в выявлении хитов для широкого спектра целей имеет большое значение. Хиты были обнаружены в различных классах белков и основных терапевтических областях, включая онкологию, инфекционные заболевания, неврологию, иммунологию и сердечно-сосудистые заболевания. Значительные достижения включают выявление первого редуктора для Miro1, новой цели для лечения болезни Паркинсона. Кроме того, AtomNet успешно обнаружил первые ингибиторы для сложных целей деубиквитиназы (OTUD7A и OTUD7B), связанных с опухолями твердой и гематологической ткани. Кроме того, AtomNet идентифицировал ингибиторы малых молекул для CTLA-4, хорошо известной цели в онкологии.
Глобальный успех AtomNet можно объяснить уникальным сдвигом парадигмы от модели на одну цель к глобальной модели. Вместо того, чтобы строить отдельные модели ML для каждой цели белков, AtomNet предварительно обучен на широком спектре молекулярных данных из протеома. Этот подход обеспечивает более высокую обобщаемость в различных целях, независимо от доступных данных обучения.
Просмотр в будущее — Atomwise вступает на рынок воспалительных заболеваний, используя AtomNet. Компания планирует подать заявку на инд после уносения в этом году для своего ведущего кандидата, нового аллостерического ингибитора TYK2, обнаруженного через AtomNet. Этот прорыв показывает потенциал искусственного интеллекта в ускорении разработки новых и инновационных терапий.
Sources of inspiration: Atomwise.com
The source of the article is from the blog lisboatv.pt