Изкуственият интелект ускорява откриването на лекарства 10 милиона пъти

Разработването на нови лекарства е една от най-дългите и скъпи процедури в науката: средно 2,6 милиарда долара и 10–15 години на лекарство. Едно от най-големите препятствия е „скринингът“ на милиарди потенциални молекули спрямо хиляди целеви протеини. Сега този процес може да бъде ускорен милиони пъти. Както съобщава Phys.org позовавайки се на публикация в Science, екипът на Янян Лан от университета Цинхуа (Пекин) представи DrugCLIP — система с изкуствен интелект, която извършва 10 трилиона проверки на двойки протеин-молекула за 24 часа и е до 10 милиона пъти по-бърза от традиционните методи.

Какво представлява това явление?

Традиционният „молекулен докинг“ — това е компютърна симулация на това как лекарствена молекула „се вписва“ в триизмерен джоб на протеин. Методът е физически реалистичен, но изключително бавен и ресурсоемък: дори суперкомпютрите прекарват дни в тестване на милиони съединения спрямо една единствена цел.

Проблемът с мащаба е огромен. В човешкия геном има над 20 000 потенциални целеви протеина, но лекарствени съединения са открити само за ~10% от тях. 90% от „лекарствения геном“ остава terra incognita, защото съществуващите методи не са в състояние да обхванат такъв мащаб. Точно както антибиотичната резистентност изисква радикално нови подходи към откриването на антимикробни средства, така и откриването на лекарства като цяло се нуждае от фундаментално ускорение.

Начални детайли

DrugCLIP решава проблема коренно различно: вместо физически симулации, той преобразува протеините и молекулите в математически вектори в общо пространство. Ако векторите са „близки“, молекулата вероятно ще се свърже с този протеин. Сравнението е като съвременна търсачка: Google не „съпоставя“ заявката ви с всеки текст подред, а веднага намира подобни вектори в милиарди документи.

За да се осигури съвместимост с прогнозираните (а не само експериментални) протеинови структури, екипът разработи GenPack — генеративен модул, който усъвършенства свързващите джобове в AlphaFold структурите до достатъчни детайли. Това позволи да се обхване целият набор от AlphaFold прогнози, а не само ~17% от протеините, за които са налични кристалографски структури.

Какво показаха новите наблюдения

Лабораторната проверка разкри впечатляващи резултати. За норепинефриновия транспортер (свързан с депресия и ADHD), DrugCLIP откри 15% от активните съединения сред избраните – и 12 от тях се свързват по-добре от антидепресанта бупропион. Още по-важен беше резултатът за TRIP12 – протеин, свързан с рак и аутизъм, чиято структура все още не е решена рентгеново. Точно както новите роботи разкриват скритите тумори, DrugCLIP открива първите молекули за TRIP12 – със 17,5% попадения – използвайки само структурата AlphaFold.

Базата данни GenomeScreenDB, която се появи в резултат на този скрининг, вече надминава ChEMBL — най-голямата налична химическа база данни —- по отношение на покритието на протеиновите мишени.

Защо това е важно за науката?

Потенциалът на DrugCLIP и подобните методи е промяна на парадигмата във фармакологията. Вместо „нека изберем няколко цели и да търсим лекарства в продължение на години“, става възможно „да сканираме целия геном за един ден и да видим картината“. Това не е просто ускорение: това е отварянето на нови пространства – лекарства за „недостижими“ цели, нови индикации за известни молекули и, може би, лекарства за редки заболявания, където пазарът е твърде малък за традиционните подходи.

Всички данни и моделът са отворени за безплатно ползване, което потенциално демократизира откриването на лекарства — изследователи от по-слабо финансирани страни получават достъп до същите инструменти като фармацевтичните гиганти.