Kórejskí výskumníci otvorili cestu pre prelomové farmaceutické objavy pomocou inovatívneho využitia generatívnej umelej inteligencie (AI). Tím vedený profesorom Woo Youn Kimom z Katedry chémie KAIST vyvinul novú AI, ktorá dokáže navrhovať liečivá vhodné pre cieľové proteíny čisto na základe vzorov interakcie medzi proteínmi a molekulami, bez toho, aby sa spoliehala na aktívne údaje.
Na odhalenie nových liečiv je kľúčové identifikovať molekuly, ktoré špecificky viažu proteíny spôsobujúce choroby. Tradičná generatívna AI v návrhu liečiv má tendenciu vytvárať molekuly podobné známym liečivám, čo predstavuje významnú výzvu v inovačne orientovanej oblasti vývoja nových liečiv. Ďalej, nedostatok experimentálnych údajov o nových, potenciálne ziskových cieľoch pre liečivá odzbrojil možnosť používania existujúcich modelov AI prakticky nemožnú.
Riešením tímu bola technológia, ktorá vytvára molekuly len na základe štrukturálnych informácií o proteínoch. Táto metóda funguje podobne ako vytváranie kľúča špeciálne navrhnutého na otvorenie zámku, tvarovaním molekúl tak, aby presne pasovali na väzbové miesta cieľových proteínov. Okrem toho sa zameriavali na navrhovanie molekúl, ktoré môžu stabilne viazať aj nové proteíny, prekonávajúc nízku generalizačnú výkonnosť starších trojrozmerných generatívnych modelov AI.
Tím umožnil AI zamerané na vzory interakcie proteín-molekula naučiť sa tieto vzory a priamo ich aplikovať pri molekulárnom návrhu. Výsledkom bolo, že ich model, na rozdiel od predchádzajúcich, ktoré sa spoliehali na milióny virtuálnych údajov na kompenzáciu obmedzených trénovacích dát, sa mohol výrazne prekonávať učením sa z tisícov skutočných experimentálnych štruktúr.
AI bola trénovaná na návrh molekúl, ktoré vyvolávajú špecifické interakcie s mutovanými aminokyselinami. Pôsobivo, 23% molekúl navrhnutých touto AI sa predpokladá, že teoreticky preukážu viac ako 100-násobnú selektivitu. Takáto AI založená na vzoroch interakcie by mohla byť obzvlášť účinná v situáciách, kde je selectivita kľúčová, ako pri návrhu inhibítorov kinázy.
Zdôrazňujúc dôležitosť prístupu, doktorand z Katedry chémie KAIST zdôraznil, že využívanie existujúcich znalostí v modeloch AI bola dlhodobou stratégiou v odboroch s malým množstvom údajov. Informácie o interakciách použité v tomto výskume by mohli mať prospech nielen pre molekuly liečiva, ale aj pre širokú škálu biologických molekúl v biotechnológii.
Podporované Národnou agentúrou pre výskum Kórejska boli zistenia tejto štúdie zverejnené podľa správy News1 v medzinárodnom časopise ‚Nature Communications‘ v marci.
V oblasti farmaceutického výskumu a vývoja liečiv má schopnosť využívať umelej inteligencie na návrh liečiv významné dôsledky. Prielom tímom KAIST v použití generatívnej AI na vytvorenie liečív naladených na proteínové štruktúry je významným pokrokom v odvetví. Tu sú ďalšie relevantné fakty, kľúčové otázky a výzvy spolu s ich odpoveďami a analýza výhod a nevýhod:
Ďalšie 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 vysokej priepustnosti skríning, kde sa testuje tisíce až milióny zlúčenín na aktivitu proti biologickému cieľu.
3. Náklady a čas spojené s tradičným objavovaním liečiv sú ohromné, často trvá viac ako desaťročie a stojí miliardy dolárov priniesť nové liečivo na trh.
4. Proteíny zohrávajú kľúčovú úlohu pri chorobách, pretože môžu slúžiť ako ciele pre liečivá, kde účinnosť liečiva je často definovaná jeho schopnosťou viazať sa na proteín a zmeniť jeho funkciu.
Kľúčové otázky a odpovede:
Otázka: Prečo je dôležitý návrh liečiv s využitím AI?
Odpoveď: AI môže významne znížiť náklady a časové náklady spojené s objavovaním liečiv efektívnym generovaním kandidátskych liečív, ktoré sú veľmi selektívne pre svoje ciele, prekračujúc limity tradičných metód.
Otázka: Aké výzvy čelia AI v návrhu liečiv?
Odpoveď: AI modely potrebujú veľké datasety, z ktorých sa majú učiť, čo nemusí byť dostupné pre nové alebo menej študované proteíny. Ďalej je kľúčovou výzvou zabezpečiť, aby navrhnuté molekuly boli nielen teoreticky aktívne, ale aj bezpečné a účinné u ľudí.
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 zdĺhavý a nákladný proces.
– Etické obavy o AI zahŕňajú potenciálnu stratu pracovných miest pre výskumníkov a rovnováhu medzi právami na duševný vlastníctvo a otvorený prístup k znalostiam generovaným AI vo vývoji liečiv.
Výhody:
– Znížený čas a náklady na počiatočné fázy objavovania liečiv.
– Možnosť navrhovať nové zlúčeniny, ktoré nie sú obmedzené podobnosťou na existujúce liečivá.
– Potenciál na objavovanie liečív pre ciele, ktoré sa považovali za „neotvárateľné“ kvôli nedostatku vhodných molekúl viažúcich sa na ne.
Nevýhody:
– Neistota o účinnosti a bezpečnosti liečiv navrhnutých AI bez rozsiahlych testovaní.
– Možné zaľahnutie na AI by mohlo viesť k zníženiu dôrazu na podkladové biologické pochopenie mechanizmov ochorení.
– Etické a regulačné obavy musia byť riešené súčasne s rozvojom takýchto technológií.
Pre tých, ktorí majú záujem o zistenie viac o širších dôsledkoch umelej inteligencie vo vedeckom výskume a objavovaní liečiv, tieto následné odkazy môžu poskytnúť východisko:
– KAIST (Kórejský pokročilý ústav vied a technológií)
– Nature Communications (Kde bola štúdia údajne zverejnená)
Prístup, ktorý zvolil výskumný tím KAIST, môže potenciálne revolucionizovať návrh liečiv, čím ho robí efektívnejším a prispôsobeným k zložitej interakcii medzi proteínmi a molekulami.
The source of the article is from the blog coletivometranca.com.br