A koreai kutatók forradalmi gyógyszerfelfedezések útját készítették elő azáltal, hogy az generatív mesterséges intelligencia (MI) innovatív felhasználását alkalmazták. Kim Woo Youn professzor vezette csapat, a KAIST Kémia Tanszékén dolgozó kutatók egy újfajta MI-t fejlesztettek ki, amely képes gyógyszereket tervezni a célpontfehérjék számára, pusztán a fehérjék és molekulák közti interakciós mintázatok alapján, anélkül hogy aktív adatokra támaszkodnának.
Ahhoz, hogy új gyógyszereket találjanak fel, kulcsfontosságú, hogy azonosítsák azokat a molekulákat, amelyek kifejezetten kötődnek azokhoz a fehérjékhez, amelyek betegségeket okoznak. A hagyományos generatív MI-ben alapuló gyógyszertervezés tendenciája, hogy hasonló molekulákat hozzon létre a már ismert gyógyszerekhez, jelentős kihívást jelent az innováció központjában álló új gyógyszerek fejlesztésének területén. Ráadásul, az új, potenciálisan nyereséges gyógyszer célpontokkal kapcsolatos kísérleti adatok hiánya lehetetlenné tette a meglévő MI modellek használatát gyakorlatilag.
A csapat megoldása egy olyan technológia volt, amely molekulákat készít csak a fehérjék szerkezeti információja alapján. Ez a módszer hasonlóan működik, mint amikor egy kulcsot formáznánk, hogy pontosan illeszkedjen egy zárhoz, a molekulákat pedig úgy alakítják, hogy pontosan passzoljanak a célpontfehérjék kötőhelyeihez. Ezen felül, erőfeszítéseiket olyan molekulák tervezésére összpontosították, amelyek még az új fehérjékhez is stabil módon képesek kötődni, ezzel leküzdve az öreg háromdimenziós generatív MI modellek alacsony általánosítási teljesítményét.
A fehérje-molekula kölcsönhatások középpontba állításával a csapat lehetővé tette, hogy az MI megtanulja ezeket a mintázatokat és közvetlenül alkalmazza azokat a molekuláris tervezésben. Az eredmény az volt, hogy a modelljük, ellentétben az előzőekkel, amelyek millió virtuális adatokra támaszkodtak a korlátozott képzési adatok pótlására, drámaian felülmúlhatta azokat, amelyek csak az ezer valódi kísérleti szerkezettől tanultak.
Az MI-t arra képezték ki, hogy olyan molekulákat tervezzen, amelyek specifikus kölcsönhatásokat váltanak ki mutált aminósavakkal. Figyelemre méltóan, ennek az MI-nek tervezett molekuláinak 23%-át jósolták úgy, hogy elméletileg több mint 100-szoros szelektivitást mutatnak. Az ilyen kölcsönhatás-mintázatokon alapuló MI különösen hatékony lehet olyan helyzetekben, ahol a szelektivitás kulcsfontosságú, például kináz inhibitorok tervezésekor.
A KAIST Kémia Tanszékének egy doktori hallgatója kiemelte az megközelítés fontosságát, hogy régóta használják a korábbi tudást az MI modellekben olyan tudományos területeken, ahol kevés az adat. E kutatás során használt kölcsönhatási információ nemcsak gyógyszer molekulákra alkalmazható hasznosan, hanem a biotechnológia széles spektrumára is.
A Koreai Nemzeti Kutatási Alapítvány támogatásával ezt a tanulmányt a News1 hírportál jelentette meg a nemzetközi „Nature Communications” folyóiratban márciusban.
Az MI használata a gyógyszerek tervezésében jelentős következményekkel jár a gyógyszerekkel kapcsolatos kutatás és fejlesztés területén. Az áttörés, amit a KAIST csapata ért el, az generatív MI használatában a gyógyszerek kialakítására a fehérje szerkezetekhez igazodva, egy jelentős fejlődés ezen a területen. Íme még néhány releváns tény, kulcsfontosságú kérdés és kihívások azokkal az válaszokkal, és az előnyök és hátrányok elemzésével:
További tények:
1. Az generatív MI olyan algoritmusokat használ, amelyek képesek tartalmakat létrehozni, legyen az szöveg, képek vagy ebben az esetben molekuláris szerkezetek, amelyek képesek kapcsolódni a fehérjékhez.
2. A gyógyszerfelfedezés hagyományos folyamata magában foglalja a nagy kapacitású szűrést, ahol ezernyi vagy millió összetevőt tesztelnek az olyan biológiai célpontok elleni aktivitáshoz.
3. A hagyományos gyógyszerfelfedezéssel járó költség és idő nagy, gyakran több mint egy évtizedbe telik és több milliárd dollárba kerül egy új gyógyszer piacra vitele.
4. A fehérjék kulcsfontosságú szerepet játszanak a betegségben, mivel a gyógyszer hatékonyságát gyakran meghatározza a képessége, hogy kapcsolódjon a fehérjéhez, és befolyásolja annak működését.
Kulcskérdések és válaszok:
K: Miért fontos az MI alapú gyógyszertervezés?
V: Az MI jelentősen csökkentheti a gyógyszerfelfedezésre fordított költséget és időt, hatékonyan előállítva olyan gyógyszerjelölteket, amelyek nagyon szelektívek a célcélokra, túllépve a hagyományos módszerek korlátain.
K: Milyen kihívásokkal néz szembe az MI a gyógyszertervezésben?
V: Az MI modelleknek nagy adathalmazokra van szükségük tanuláshoz, amelyek talán nem állnak rendelkezésre az új vagy kevésbé kutatott fehérjék esetén. Ráadásul, a tervezett molekulák nemcsak elméletileg hatékonyak, hanem biztonságosak és hatékonyak is az emberek számára, ez egy kritikus kihívás marad.
Kiemelt Kihívások vagy Vita:
– Az AI előrejelzéseinek pontosságát validálni kell laboratóriumi kísérletekkel és klinikai vizsgálatokkal annak érdekében, hogy ezek a molekulák biztonságosak és hatékonyak legyenek, ami még mindig időigényes és költséges folyamat.
– Az etikai aggodalmak az AI-munkahelyek elmozdulásától kezdve azon a vonalon mozognak, amely az intellektuális tulajdonjogok és az AI által létrehozott tudás nyílt hozzáférés közötti egyensúlyt jelenti a gyógyszerek tervezésében.
Előnyök:
– Csökkentett idő és költség az alapvető gyógyszerfelfedezési szakaszokban.
– Lehetőség új vegyületek tervezésére, amelyek nem korlátozódnak az azonosságukra azonos gyógyszerekhez.
– Lehetőség a „gyógyszerezhetetlennek” tekintett célpontokra irányuló gyógyszerek felfedezésére, amelyeknek nincs megfelelő molekulájuk, amely hozzájuk kötődik.
Hátrányok:
– Bizonytalanság az AI-által tervezett molekulák valóságban való hatékonyságáról és biztonságosságáról a kiterjedt tesztelés nélkül.
– Az AI-ra való lehetséges támaszkodás azzal járhat, hogy az alapvető biológiai mechanizmusok megértésén csökken a hangsúly.
– Az etikai és szabályozási aggályokat együtt kell kezelni az ilyen technológiák fejlesztésével.
Azoknak, akik érdeklődnek a mesterséges intelligencia szélesebb kihívásai iránt a tudományos kutatásban és a gyógyszerfelfedezésben, ezek a kapcsolódó linkek jelenthetnek egy kiindulópontot:
– KAIST (Korea Advanced Institute of Science and Technology)
– Nature Communications (Ahol a tanulmány, állítólag, publikálva lett)
A KAIST kutatócsoport által alkalmazott módszer forradalmasíthatja a gyógyszertervezést, hatékonyabbá téve és az fehérje-molekula kölcsönhatások bonyolultságához igazodva.
The source of the article is from the blog myshopsguide.com