Hogyan lehet a mesterséges intelligencia „bélérzést” adni, mely molekulákból lesz a legjobb gyógyszer?

Az intuíció és a mesterséges intelligencia furcsa párost alkot.

Az intuíciót nehéz leírni. Ez az a zsigeri érzés, ami rágja magát, még ha nem is tudja, miért. Az intuíciót természetesen tapasztalatokon keresztül építjük. A belső érzések nem mindig igazak; de gyakran bekúsznak a tudatalattinkba, hogy kiegészítsék a logikát és az érvelést a döntések meghozatalakor.

Ezzel szemben a mesterséges intelligencia gyorsan tanul több millió hideg, kemény adatpont megemésztésével, és pusztán analitikai – ha nem is mindig ésszerű – eredményeket produkál a bemenete alapján.

Most, egy új tanulmány in Nature Communications összeházasodik a páratlan párral, ami egy gépi tanulási rendszert eredményez, amely megragadja a vegyész intuícióját a gyógyszerfejlesztéshez.

A svájci székhelyű Novartis gyógyszergyártó cég 35 vegyészének visszajelzéseit elemezve a csapat kifejlesztett egy mesterséges intelligencia-modellt, amely a gyógyszerfejlesztés egy köztudottan nehéz szakaszában tanul az emberi szakértelemből: biológiánkkal kompatibilis, ígéretes vegyi anyagokat talál.

Először is, a vegyészek megérzésük alapján választották ki, hogy az 5,000 vegyszerpár közül melyiknek van nagyobb esélye arra, hogy hasznos gyógyszerré váljon. Ebből a visszajelzésből egy egyszerű mesterséges neurális hálózat megismerte a preferenciáit. Amikor új vegyszerekkel szembesültek, az AI-modell mindegyiket egy pontszámmal értékelte, amely rangsorolta, hogy érdemes-e továbbfejleszteni gyógyszerként.

Magukra a kémiai struktúrákra vonatkozó részletek nélkül az AI „intuitív módon” magasabb pontszámmal értékelt bizonyos szerkezeti összetevőket, amelyek gyakran előfordulnak a meglévő gyógyszerekben. Meglepő módon olyan ködös tulajdonságokat is rögzített, amelyeket a korábbi számítógépes modellezési kísérletekben nem programoztak kifejezetten. Egy generatív mesterséges intelligencia modellel, például a DALL-E-vel párosítva a robo-kémikus egy csomó új molekulát tervezett potenciális vezetőként.

Sok ígéretes gyógyszerjelölt „együttes know-how-n” alapult – írta a csapat.

A tanulmány a Novartis és a Microsoft Research AI4Science együttműködése, utóbbi az Egyesült Királyságban található.

Le a Kémiai Nyúllyukon

A legtöbb mindennapi gyógyszerünk kis molekulákból készül – a Tylenol a fájdalomcsillapításra, a metformin a cukorbetegség kezelésére, az antibiotikumok a bakteriális fertőzések leküzdésére.

De ezeknek a molekuláknak a megtalálása fájdalmas.

Először is, a tudósoknak meg kell érteniük a betegség működését. Például megfejtik a biokémiai reakciók láncolatát, amelyek heves fejfájást okoznak. Ezután megtalálják a lánc leggyengébb láncszemét, amely gyakran egy fehérje, és modellezi annak alakját. A kezükben lévő szerkezet pontosan meghatározza azokat a zugokat, amelyekbe a molekulák beszorulhatnak, hogy megzavarják a fehérje működését, és ezzel leállítják a biológiai folyamatot – íme, nincs több fejfájás.

A fehérje előrejelző AI, mint például az AlphaFold, a RoseTTAFold és ezek leszármazottai, most könnyebben modellezhető a célfehérje szerkezete. Más kérdés, hogy megtaláljuk a hozzá illő molekulát. A gyógyszernek nem csak a célpont aktivitását kell megváltoztatnia. Könnyen fel kell szívódnia, át kell terjednie a célszervre vagy -szövetre, és biztonságosan kell metabolizálódnia és ki kell ürülnie a szervezetből.

Itt jönnek be a gyógyszerkémikusok. Ezek a tudósok úttörők a számítógépes modellezés alkalmazásában. Több mint két évtizeddel ezelőtt a szakterület elkezdett szoftvereket használni a vegyi anyagok óriási nagy adatbázisainak átszűrésére, ígéretes nyomokat keresve. Minden potenciális ólomot ezután egy vegyészcsoport értékel a további fejlesztés előtt.

Ezzel a folyamattal a gyógyszerkémikusok olyan intuíciót építenek ki, amely lehetővé teszi számukra, hogy hatékonyan hozzanak döntéseket az ígéretes gyógyszerjelöltek áttekintése során. Képzésük egy része lehet szabályokba desztillálva hogy a számítógépek tanuljanak – például ez a szerkezet valószínűleg nem jut át ​​az agyba; hogy károsíthatja a májat. Ezek a szakértői szabályok segítettek a kezdeti szűrésben. De ez idáig egyetlen program sem képes megragadni a döntéshozataluk finomságait és bonyodalmait, részben azért, mert a vegyészek ezt maguk sem tudják megmagyarázni.

Van egy olyan érzésem

Az új tanulmány a megmagyarázhatatlant kívánta megragadni egy AI-modellben.

A csapat 35 szakértő vegyészt vett fel a világ különböző Novartis központjaiban, mindegyik más-más szakértelemmel. Vannak, akik sejtekkel és szövetekkel dolgoznak, mások számítógépes modellezéssel.

Az intuíciót nehéz mérni. Nem is túl megbízható. Kiindulópontként a csapat egy többszereplős játékot tervezett, hogy felmérje, az egyes vegyészek következetesen választottak-e, és hogy az általuk választottak megegyeznek-e másokéval. Minden vegyésznek 220 molekulapárt mutattak be, és szándékosan homályos kérdést tettek fel. Képzelje el például, hogy egy korai virtuális szűrési kampányban vesz részt, és szükségünk van egy gyógyszerre, amelyet tablettaként is be lehet venni – melyik molekulát részesíti előnyben?

A cél az volt, hogy csökkentsék a túlgondolkodást, és arra késztetve a vegyészeket, hogy intuíciójukra hagyatkozzanak, melyik vegyszer marad meg és melyik megy. Ez a beállítás eltér a szokásos kiértékelésektől, ahol a vegyészek bizonyos molekuláris tulajdonságokat prediktív modellekkel – azaz kemény adatokkal – ellenőriznek.

A vegyészek következetesek voltak saját megítélésükben, de nem mindig értettek egyet egymással – valószínűleg az eltérő személyes tapasztalatok miatt. Azonban elegendő átfedés volt ahhoz, hogy kialakuljon egy mögöttes minta, amelyből az AI-modell tanulhatna, magyarázta a csapat.

Ezután 5,000 molekulapárra építették fel az adatkészletet. A szerkezetükre és egyéb jellemzőire vonatkozó információkkal ellátott molekulákat egy egyszerű mesterséges neurális hálózat betanítására használták. A képzéssel az AI-hálózat tovább igazította belső működését a vegyészek visszajelzései alapján, végül minden molekulának adott egy pontot.

A józanság ellenőrzése érdekében a csapat a modellt a képzési adatkészletben szereplőktől eltérő kémiai párokon tesztelte. Ahogy növelték a képzési minták számát, úgy nőtt a teljesítmény.

Míg a korábbi számítógépes programok olyan szabályokra támaszkodtak, amelyek a molekuláris szerkezet alapján ígéretes gyógyszerré válnak, az új modell pontszámai nem tükrözték közvetlenül ezeket a szabályokat. Az AI holisztikusabb képet alkotott egy vegyi anyagról – egy teljesen más megközelítést gyógyszerkutatási mint amit a klasszikus robo-kémikus szoftverekben használnak.

A mesterséges intelligencia segítségével a csapat több száz, az FDA által jóváhagyott gyógyszert és több ezer molekulát vizsgált meg egy kémiai adatbankból. A modell kifejezett képzés nélkül is olyan kémiai struktúrákat – úgynevezett „fragmentumokat” – kinyert, amelyek alkalmasabbak gyógyszerként való továbbfejlesztésre. Az AI pontozási preferenciái megegyeztek a létező gyógyszerszerű molekulákéval, ami azt sugallja, hogy megértette a potenciális vezető szerep lényegét.

Kémiai romantika

A Novartis nem az első cég, amely az ember-robot vegyszeres romantikát kutatja.

Korábban a Merck gyógyszergyártó cég is megkoppintották házon belüli szakértelmükbe, hogy a vegyi anyagokat a kívánt tulajdonság szerint rangsorolják. Az iparon kívül, egy csapat a Glasgow-i Egyetemen az intuíción alapuló robotok felhasználását vizsgálta szervetlen kémiai kísérletekhez.

Ez még egy kis tanulmány, és a szerzők nem zárhatják ki az emberi tévedéseket. Egyes vegyészek olyan molekulát választanak, amelyet személyes elfogultságok alapján nehéz teljesen elkerülni. A beállítás azonban felhasználható a gyógyszerkutatás egyéb lépéseinek tanulmányozására, amelyek kísérletileg költségesek. És bár a modell intuíción alapul, eredményeit szabályalapú szűrőkkel is megerősíthetik a teljesítmény további javítása érdekében.

Olyan korszakban élünk, amikor a gépi tanulás több tízezer molekulát képes megtervezni – magyarázta a csapat. Egy intuícióval felvértezett mesterséges intelligencia-vegyész asszisztens segíthet leszűkíteni a jelölteket a gyógyszerkutatás kritikus korai szakaszában, és felgyorsíthatja az egész folyamatot.

Kép: Eugenia Kozyr / Unsplash

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://singularityhub.com/2023/11/03/how-to-give-ai-a-gut-feeling-for-which-molecules-will-make-the-best-drugs/