Фармацевтична промисловість постійно шукає більш ефективні і інноваційні методи відкриття ліків. Традиційні методи високопродуктивного скринінгу можуть оцінювати лише невелику частку комерційно доступних молекул. Однак з появою штучного інтелекту (AI) та інструментів машинного навчання (ML) є надія на більш інноваційний підхід.
Компанія Atomwise, що використовує технології штучного інтелекту та глибокого навчання для дизайну ліків на основі структури, перебуває в чолі використання AI та ML для відкриття ліків. Їх пропрієтарна платформа AtomNet використовує методи глибокого навчання для аналізу молекулярних структур та передбачення їх можливої активності щодо конкретних білкових мішеней. AtomNet був навчений на великій кількості молекулярних даних і продемонстрував високу успішність у виявленні хітів для широкого спектру мішеней.
Недавнє дослідження ініціативи Atomwise AIMS (Штучний інтелект Молекулярний екран) показує потенціал обчислювального скринінгу як життєздатної альтернативи фізичному HTS. Дослідження застосовувало AtomNet до 318 різних мішеней, ідентифікованих через співпрацю з понад 250 академічними лабораторіями з 30 країн. AtomNet успішно ідентифікував структурно нові хіти для 235 з 318 мішеней, що призвело до значного рівня успішності в 74%. Це перевершує традиційні методи HTS, де рівень успішності оцінюється приблизно на 50%.
Успіх AtomNet у виявленні хітів для великого спектру мішеней є значущим. Хіти були знайдені в різних класах білків і головних терапевтичних областях, включаючи онкологію, інфекційні хвороби, неврологію, імунологію та серцево-судинні захворювання. Значущими досягненнями є ідентифікація першого зменшувача для Miro1, нової мішені для лікування хвороби Паркінсона. Крім того, AtomNet успішно відкрив перші інгібітори для складних мішеней деубіквітиназ (OTUD7A та OTUD7B), пов’язаних з твердими і гематологічними пухлинами. Крім того, AtomNet ідентифікував малі молекулярні інгібітори для CTLA-4, добре відомої мішені в онкології.
Григорій Бомен, професор Університету Пенсильванії, підкреслює значущість успіху AtomNet у пошуку хітів для біологічно складних мішеней. Він зазначає, що типові платформи віртуального скринінгу часто мають обмежену передбачувальну здатність, особливо для алостеричних чи білків-білкових взаємодій. Однак дослідження AIMS демонструє високий рівень успішності AtomNet в цих складних областях.
Успіх AtomNet може бути пояснений унікальним зсувом парадигми від моделі на мішень до глобальної моделі. Замість побудови окремих ML-моделей для кожної білкової мішені, AtomNet попередньо навчено на широкому спектрі молекулярних даних з протеому. Цей підхід забезпечує більшу загальну придатність для різних мішеней, незалежно від наявних тренувальних даних.
Подивившись у майбутнє, Atomwise зараз заходить на ринок ліків для запальних захворювань за допомогою AtomNet. Компанія має намір подати заявку на IND (Дослідницький новий лікарський засіб) цього року для свого провідного кандидата, нового алостерічного інгібітора TYK2, відкритого завдяки AtomNet. Цей прорив показує потенціал штучного інтелекту у прискоренні розробки нових та інноваційних терапій.
FAQ:
- Що таке високопродуктивний скринінг (HTS)? Високопродуктивний скринінг – це метод, який використовується в відкритті ліків для швидкого тестування великої кількості сполук на можливу терапевтичну активність. Це дозволяє вченим оцінювати властивості тисяч чи навіть мільйонів молекул та ідентифікувати потенційні кандидати для подальшого розвитку.
- Що таке штучний інтелект (AI) в відкритті ліків? Штучний інтелект у відкритті ліків вказує на використання комп’ютерних алгоритмів та методів машинного навчання для аналізу великих обсягів даних та ідентифікації потенційних кандидатів у ліки. AI може допомогти дослідникам у різних аспектах процесу відкриття ліків, включаючи ідентифікацію мішеней, віртуальний скринінг та оптимізацію провідних сполук.
- Що таке AtomNet? AtomNet – це платформа відкриття ліків на основі штучного інтелекту та машинного навчання, розроблена компанією Atomwise. Вона використовує алгоритми глибокого навчання для аналізу молекулярних структур та передбачення їх потенційної активності відносно конкретних білкових мішеней. AtomNet був навчений на великій кількості молекулярних даних і демонструє високий рівень успішності в ідентифікації хітів для широкого спектру мішеней.
- Як AtomNet відрізняється від традиційних методів високопродуктивного скринінгу? AtomNet відрізняється від традиційних методів високопродуктивного скринінгу тим, що це обчислювальний підхід, а не фізичний. У той час, як традиційний HTS ґрунтується на фізичному тестуванні сполук у лабораторії, AtomNet використовує алгоритми AI та ML для віртуального скринінгу великої хімічної бібліотеки та ідентифікації потенційних хітів. Цей підхід дозволяє більш широке дослідження хімічного простору та потенційно відкриття нових терапевтичних кандидатів.
The source of the article is from the blog crasel.tk