Koreańscy badacze stworzyli przełom w dziedzinie odkryć farmaceutycznych poprzez innowacyjne wykorzystanie generatywnej sztucznej inteligencji (AI). Zespół pod kierownictwem profesora Woo Youn Kima z Wydziału Chemii KAIST opracował nową AI, która potrafi projektować leki odpowiednie dla białek docelowych wyłącznie na podstawie wzorców interakcji między białkami i cząsteczkami, bez konieczności korzystania z aktywnych danych.
Aby odkryć nowe leki, istotne jest zidentyfikowanie cząsteczek, które łączą się ze specyficznymi białkami powodującymi choroby. Tradycyjne AI w projektowaniu leków ma tendencję do tworzenia cząsteczek podobnych do znanych leków, co stanowi znaczne wyzwanie w innowacyjnym obszarze rozwoju nowych leków. Ponadto brak danych eksperymentalnych na temat nowych, potencjalnie zyskownych celów leków uniemożliwiał korzystanie z ugruntowanych modeli AI w praktyce.
Rozwiązaniem, na które wpadł zespół, była technologia, która tworzy cząsteczki, korzystając wyłącznie ze strukturalnych informacji białek. Ta metoda działa podobnie jak kształtowanie klucza zaprojektowanego specjalnie do zamka, formując cząsteczki, aby precyzyjnie pasowały do miejsc wiązania białek docelowych. Ponadto skoncentrowali się na projektowaniu cząsteczek, które mogą stabilnie łączyć się nawet z nowymi białkami, pokonując niską wydajność generalizacji starszych modeli AI generatywnych w trzech wymiarach.
Koncentrując się na wzorcach interakcji protein-cząsteczka, zespół umożliwił AI nauczenie się tych wzorców i zastosowanie ich bezpośrednio w projektowaniu molekularnym. Wynikiem było to, że ich model, w przeciwieństwie do poprzednich, które polegały na milionach danych wirtualnych w celu zrekompensowania ograniczonych danych treningowych, mógł znacznie przewyższyć wyniki, ucząc się tylko na podstawie tysięcy rzeczywistych struktur eksperymentalnych.
AI została przeszkolona, aby projektować cząsteczki, które indukują specyficzne interakcje z zmutowanymi aminokwasami. Co ciekawe, 23% cząsteczek zaprojektowanych przez tę AI przewidywanych jest, że będą wykazywać ponad 100-krotną selektywność w teorii. Tego rodzaju AI oparta na wzorcach interakcji może być szczególnie skuteczna w sytuacjach, gdzie selektywność jest kluczowa, jak w przypadku projektowania inhibitorów kinaz.
Podkreślając znaczenie tego podejścia, doktorant z Wydziału Chemii KAIST zwrócił uwagę, że korzystanie z istniejącej wiedzy w modelach AI było już długo stosowane w dziedzinach naukowych o rzadkich danych. Informacje o interakcjach użyte w tej badaniu mogą być korzystnie zastosowane nie tylko do cząsteczek leków, ale także do szerokiego spektrum cząsteczek biologicznych w biotechnologii.
Wspierane przez Narodowe Fundusze Badań Korei, wyniki tego badania zostały zgłoszone przez News1 jako opublikowane w międzynarodowym czasopiśmie „Nature Communications” w marcu.
W dziedzinie badań farmaceutycznych i rozwoju leków, umiejętność wykorzystania sztucznej inteligencji do projektowania leków ma znaczące implikacje. Przełom osiągnięty przez zespół KAIST w wykorzystywaniu AI generatywnej do tworzenia leków dostosowanych do struktur białek stanowi znaczący postęp w tej dziedzinie. Poniżej znajdują się dodatkowe istotne fakty, kluczowe pytania, wyzwania oraz ich odpowiedzi, oraz analiza zalet i wad:
Dodatkowe Fakty:
1. AI generatywna wykorzystuje algorytmy, które mogą tworzyć treści, czy to w formie tekstu, obrazów, lub w tym przypadku, struktur molekularnych, które mogą łączyć się z białkami.
2. Proces odkrywania leków tradycyjnie obejmuje przesiew wysokiej przepustowości, gdzie testuje się tysiące aż miliony związków pod kątem aktywności przeciwko celowi biologicznemu.
3. Koszt i czas związany z tradycyjnym odkrywaniem leków są ogromne, często zajmując ponad dekadę i kosztując miliardy dolarów, aby wprowadzić nowy lek na rynek.
4. Białka odgrywają kluczową rolę w chorobach, ponieważ mogą działać jako cele dla leków, gdzie skuteczność leku często jest określana przez jego zdolność do wiązania sie z białkiem i zmiany jego funkcji.
Kluczowe Pytania i Odpowiedzi:
P: Dlaczego projektowanie leków oparte na AI jest ważne?
O: AI może istotnie zmniejszyć koszty i czas związane z odkrywaniem leków poprzez efektywne generowanie kandydatów na leki, które są wysoko selektywne dla swoich celów, wykraczając poza ograniczenia tradycyjnych metod.
P: Jakie są wyzwania w projektowaniu leków przez AI?
O: Modele AI wymagają dużych zbiorów danych do nauki, które mogą nie być dostępne dla nowych lub mniej zbadanych białek. Ponadto, zapewnienie, że zaprojektowane cząsteczki są nie tylko teoretycznie aktywne, ale także bezpieczne i skuteczne u ludzi, pozostaje kluczowym wyzwaniem.
Kluczowe Wyzwania lub Kontrowersje:
– Dokładność przewidywań AI musi zostać zweryfikowana poprzez eksperymenty laboratoryjne oraz badania kliniczne, aby upewnić się, że te cząsteczki są bezpieczne i skuteczne, co nadal jest długotrwałym i kosztownym procesem.
– Obawy etyczne dotyczące AI obejmują potencjalne zagrożenie utraty pracy dla naukowców oraz równowagę między prawami własności intelektualnej a otwartym dostępem do wiedzy wygenerowanej przez AI w projektowaniu leków.
Zalety:
– Zmniejszenie czasu i kosztów na początkowych etapach odkrywania leków.
– Możliwość projektowania nowych związków, które nie są ograniczone podobieństwem chemicznym do istniejących leków.
– Potencjał odkrywania leków dla celów, które były uważane za „nieleczalne” ze względu na brak odpowiednich cząsteczek łączących się z nimi.
Wady:
– Niepewność co do skuteczności i bezpieczeństwa cząsteczek zaprojektowanych przez AI bez rozległych testów.
– Możliwa zależność od AI może prowadzić do mniejszego nacisku na zrozumienie biologiczne mechanizmów chorób.
– Wymaga się równoczesnego rozwiązywania kwestii etycznych i regulacyjnych wraz z rozwojem takich technologii.
Dla tych, którzy chcieliby dowiedzieć się więcej na temat szerszych implikacji sztucznej inteligencji w badaniach naukowych i odkrywaniu leków, poniższe powiązane linki mogą stanowić punkt wyjścia:
– KAIST (Koreański Instytut Nauki i Technologii)
– Nature Communications (Gdzie zostało podobno opublikowane badanie)
Podejście przyjęte przez zespół badawczy KAIST może potencjalnie zrewolucjonizować projektowanie leków, uczyniając je bardziej efektywnym i dostosowanym do złożonej natury interakcji protein-cząsteczka.
The source of the article is from the blog maltemoney.com.br