Kórejskí výskumníci otvorili cestu pre prelomové farmaceutické objavy pomocou inovatívneho využitia generatívnej umelej inteligencie (AI). Tím vedený profesorom Woo Youn Kim z oddelenia chémie na KAIST vyvinul novú AI, ktorá dokáže navrhovať lieky vhodné pre cieľové proteíny na základe interakčných vzorov medzi proteínmi a molekulami, bez potreby aktívnych údajov.
Na odhalenie nových liekov je kľúčové identifikovať molekuly, ktoré sa špecificky viažu na proteíny spôsobujúce choroby. Tradičná generatívna AI v návrhu liekov má tendenciu vytvárať molekuly podobné známym liekom, čo predstavuje výzvu v inovačne orientovanej oblasti vývoja nových liekov. Okrem toho nedostatok experimentálnych údajov o nových, potenciálne ziskových cieľových liečiv udělal použitie uznávaných modelov AI prakticky nemožné.
Riešením tímu bolo technológie, ktorá vytvára molekuly len na základe štrukturálnych informácií proteínov. Tento spôsob funguje podobne ako vytváranie kľúča špeciálne navrhnutého pre zámok, tvarovaním molekúl presne tak, aby presne zapadali na miesta viazania cieľových proteínov. Navyše sa sústredili na návrh molekúl, ktoré sa môžu stabilne viazať aj na nové proteíny, prekonávajúc nízku generalizačnú schopnosť starších trojrozmerných generatívnych modelov AI.
Tím umožnil AI zamerať sa na interakčné vzory medzi proteínmi a molekulami, AI-om sa naučiť tieto vzory a priamo ich aplikovať pri návrhu molekúl. Výsledkom bolo, že ich model, na rozdiel od predchádzajúcich, ktoré počítali s miliónmi virtuálnych údajov na kompenzáciu obmedzených tréningových údajov, mohol dramaticky prekonávať učením sa len z tisícov skutočných experimentálnych štruktúr.
AI bola vyškolená na návrh molekúl, ktoré vyvolávajú špecifické interakcie s mutovanými aminokyselinami. Pozoruhodne, 23 % molekúl navrhnutých touto AI je predpovedaných prekročiť viac ako 100-násobnú selektivitu teoreticky. Takáto AI založená na vzoroch interakcií by mohla byť obzvlášť účinná v situáciách, kde je selektivita kľúčová, ako napríklad pri návrhu inhibitorov kinázy.
Zvýraznenie relevancie prístupu, doktorandský študent z oddelenia chémie v KAIST zdôraznil, že využitie existujúcej znalosti v modeloch AI je dlhodobo strategickeé vo vedeckých oblastiach s výdatnými údajmi. Informácie o interakcii použité v tejto štúdii by mohli byť prospešne aplikované nielen na liečivé molekuly, ale aj na široké spektrum biologických molekúl v biotechnológii.
Podporovaný Národnou výskumnou nadáciou Kórey, zistenia tejto štúdie, ktoré referovala News1, boli zverejnené v medzinárodnom časopise ‚Nature Communications‘ v marci.
V oblasti farmaceutického výskumu a vývoja liečiv má schopnosť využívať umelej inteligencie na návrh liekov významné dôsledky. Prielom KAIST týmu v použití generatívnej AI na návrh liekov prispôsobených štruktúram proteínov je pozoruhodným pokrokom v oblasti. Tu sú ďalšie relevantné fakty, kľúčové otázky a výzvy spolu s ich odpoveďami a analýzou výhod a nevýhod:
Doplňujúce Fakty:
1. Generatívna AI využíva algoritmy, ktoré môžu vytvárať obsah, či už vo forme textu, obrázkov alebo, v tomto prípade, molekulárnych štruktúr, ktoré sa môžu viazať na proteíny.
2. Proces objavovania liečiv tradične zahŕňa vysoce výkonné skríningy, kde je testovaných tisíce až milióny zlúčenín na aktivitu proti biologickému cieľu.
3. Náklady ačasová náročnosť spojené s tradičným objavovaním liečiv sú obrovské, často trvá viac ako desaťročie a stojí miliardy dolárov, aby sa nový liek dostal na trh.
4. Proteíny hrajú kľúčovú úlohu v chorobách, pretože môžu slúžiť ako ciele pre liečiva, pričom účinnosť lieku je často definovaná jeho schopnosťou viazať sa na proteín a zmeniť jeho funkciu.
Kľúčové Otázky a Odpovede:
Otázka: Prečó je AI-based návrh liekov dôležitý?
Odpoveď: AI môže významne znížiť náklady a časovú investíciu do objavovania liekov efektívne generovaním kandidátov na lieky, ktoré sú veľmi selektívne pre svoje ciele, prekonávajúc obmedzenia tradičných metód.
Otázka: S akými výzvami sa stretáva AI v návrhu liekov?
Odpoveď: AI modely potrebujú veľké údaje na učenie, ktoré možno nie sú dostupné pre nové alebo menej preskúmané proteíny. Ďalej zabezpečenie, že navrhnuté molekuly sú nielen teoreticky aktívne, ale aj bezpečné a efektívne u ľudí, zostáva kritickou výzvou.
Kľúčové Výzvy Alebo Kontroverzie:
– Presnosť predpovedí AI musí byť overená laboratórnymi experimentmi a klinickými skúškami, aby sa zabezpečilo, že tieto molekuly sú bezpečné a účinné, čo je stále časovo náročný a nákladný proces.
– Etické obavy o AI zahŕňajú možné zrušenie pracovných miest pre výskumníkov a rovnováhu medzi právami duševného vlastníctva a otvoreným prístupom k vedomostiam generovaným AI pri návrhu liekov.
Výhody:
– Skrátený čas a náklady na počiatočné fázy objavovania liekov.
– Možnosť navrhovať nové zlúčeniny, ktoré nie sú obmedzené chemickou podobnosťou s existujúcimi liekmi.
– Potenciál objaviť lieky pre ciele, ktoré boli považované za „neliekateľné“ kvôli nedostatku vhodných molekúl, ktoré by sa s nimi mohli viazať.
Nevýhody:
– Neistota o skutočnej účinnosti a bezpečnosti molekúl navrhnutých AI bez rozsiahlého testovania.
– Možná závislosť na AI by mohla viesť k zníženej dôrazu na základné biologické pochopenie mechanizmov choroby.
– Etické a regulačné obavy je potrebné riešiť súbežne s vývojom takýchto technológií.
Pre tých, ktorí sú záujmí o získanie viac informácií o širších dôsledkoch umelej inteligencie vo vedeckom výskume a objavovaní liekov, tieto súvisiace odkazy môžu poskytnúť začiatočný základ:
– KAIST (Korea Advanced Institute of Science and Technology)
– Nature Communications (Kde bola údajne zverejnená štúdia)
Pristupe použité tímom výskumníkov z KAIST môže potenciálne zmeniť návrh liekov, čím sa bude zefektívňovať a prispôsobí sa komplexnej povaze interakcií medzi proteínmi a molekulami.
The source of the article is from the blog jomfruland.net