Az AI robbanásszerű használata a gyógyszerfelfedezésben

A mesterséges intelligencia (AI) használata a gyógyszerfelfedezésben rohamosan terjed. A kutatók gépi tanulási modelleket alkalmaznak, hogy azonosítsák azokat a molekulákat a milliárdnyi lehetőség közül, amelyek rendelkezhetnek a kívánt tulajdonságokkal új gyógyszerek kifejlesztéséhez. Azonban számos változót kell figyelembe venniük – az anyagok árától a hibalehetőségekig –, így még AI használatával sem könnyű mérlegelni a legjobb jelöltek szintetizálásának költségeit.

A legjobb és legköltséghatékonyabb molekulák azonosításának számos kihívása az egyik oka annak, hogy az új gyógyszerek kifejlesztése ilyen hosszú időt vesz igénybe, valamint a magas vényköteles gyógyszerárak egyik fő mozgatórugója is. Az MIT kutatói egy algoritmikus keretrendszert fejlesztettek ki, amely automatikusan azonosítja az optimális molekuláris jelölteket, minimalizálva a szintetikus költségeket, miközben maximalizálja a kívánt tulajdonságokkal rendelkező jelöltek valószínűségét. Az algoritmus azonosítja azokat az anyagokat és kísérleti lépéseket is, amelyek szükségesek ezeknek a molekuláknak a szintetizálásához.

Az ő kvantitatív keretrendszerük, amelyet Synthesis Planning and Rewards-based Route Optimization Workflow-nak (SPARROW) neveznek, figyelembe veszi a molekulák együttes szintetizálásának költségeit is, mivel több jelölt gyakran ugyanazon kémiai vegyületekből származtatható. Ráadásul ez az egységes megközelítés kulcsfontosságú információkat rögzít a molekuláris tervezésről, tulajdonság-előrejelzésről és szintézistervezésről online adatbázisokból és széles körben használt AI eszközökből.

A SPARROW nemcsak a gyógyszeripari cégek számára segíthet új gyógyszerek hatékonyabb felfedezésében, hanem alkalmazható lehet új mezőgazdasági vegyszerek feltalálásában vagy speciális anyagok felfedezésében az organikus elektronikában is.

Komplex költségszámítások

Bizonyos értelemben az, hogy egy tudósnak szintetizálnia és tesztelnie kell-e egy adott molekulát, a szintetikus költség és a kísérlet értékének kérdésére vezethető vissza. Azonban a költség vagy az érték meghatározása önmagában is nehéz feladat.

Például egy kísérlet drága anyagokat igényelhet, vagy magas hibalehetőséggel járhat. Az érték oldalán azt is figyelembe kell venni, hogy mennyire hasznos lenne ismerni ennek a molekulának a tulajdonságait, vagy hogy ezek az előrejelzések mennyire bizonytalanok.

Egyre több gyógyszeripari cég használ batch szintézist a hatékonyság javítása érdekében. Ahelyett, hogy egyesével tesztelnék a molekulákat, kémiai építőelemek kombinációival egyszerre több jelöltet is tesztelnek. Ez azonban azt jelenti, hogy a kémiai reakcióknak ugyanazokat a kísérleti feltételeket kell igényelniük, ami még nehezebbé teszi a költségek és az értékek becslését.

A SPARROW ezt a kihívást úgy oldja meg, hogy figyelembe veszi a molekulák szintetizálásában részt vevő közbenső vegyületeket, és ezeket az információkat beépíti a költség-érték függvényébe.

„Amikor egy molekulacsoport tervezésének optimalizálásáról gondolkodunk, az új szerkezet hozzáadásának költsége attól függ, hogy milyen molekulákat választottunk már ki” – mondja Connor Coley, az MIT vegyészmérnöki és elektrotechnikai és számítástechnikai tudományok tanszékének Class of 1957 Career Development Assistant Professzora, és a SPARROW-ról szóló tanulmány vezető szerzője.

Rugalmas keretrendszer

A SPARROW egyedülálló, mert képes beépíteni az ember által tervezett molekuláris struktúrákat, a virtuális katalógusokban létezőket vagy a generatív AI modellek által feltalált soha nem látott molekulákat.

A kutatók három esettanulmányban értékelték a SPARROW-t. Az esettanulmányok, amelyek a vegyészek által szembesült valós problémákon alapultak, a SPARROW képességét tesztelték a költséghatékony szintézistervek megtalálásában, miközben széles körű bemeneti molekulákkal dolgoztak. Azt találták, hogy a SPARROW hatékonyan rögzítette a batch szintézis marginális költségeit, és azonosította a közös kísérleti lépéseket és közbenső vegyi anyagokat. Emellett képes volt több száz potenciális molekuláris jelölt kezelésére is.

„A gépi tanulás és a kémia közösségében számos modell jól működik retroszintézisre vagy molekuláris tulajdonságok előrejelzésére, például, de hogyan használjuk őket valójában? A mi keretrendszerünk célja, hogy kihozza az értéket ebből a korábbi munkából. A SPARROW létrehozásával remélhetőleg más kutatókat is arra ösztönözhetünk, hogy saját költség- és hasznossági függvényeik alapján gondolkodjanak a vegyület kiválasztásáról” – mondja Jenna Fromer, a tanulmány vezető szerzője.

A jövőben a kutatók további összetettséget szeretnének beépíteni a SPARROW-ba. Például szeretnék lehetővé tenni az algoritmus számára, hogy figyelembe vegye, hogy egy vegyület tesztelésének értéke nem mindig állandó. Emellett több elemet is be akarnak építeni a párhuzamos kémia költség-érték függvényébe.

„Fromer és Coley munkája jobban igazítja az algoritmikus döntéshozatalt a kémiai szintézis gyakorlati valóságához. Amikor a meglévő számítógépes tervezési algoritmusokat használják, a tervek legjobb szintetizálásának meghatározása a gyógyszerészeti vegyész feladata, ami kevésbé optimális választásokat és extra munkát eredményez a gyógyszerészeti vegyész számára” – mondja Patrick Riley, a Relay Therapeutics mesterséges intelligencia alelnöke, aki nem vett részt ebben a kutatásban. „Ez a tanulmány egy elvi utat mutat a közös szintézis figyelembevételéhez, ami várhatóan magasabb minőségű és jobban elfogadott algoritmikus tervekhez vezet.”

„Az, hogy mely vegyületeket szintetizálják oly módon, hogy gondosan egyensúlyozzák az időt, a költségeket és a célok elérésének potenciálját, miközben hasznos új információkat nyújtanak, az egyik legnagyobb kihívást jelentő feladat a gyógyszerfelfedező csapatok számára. A Fromer és Coley által kidolgozott SPARROW megközelítés ezt hatékony és automatizált módon teszi, hasznos eszközt biztosítva az emberi gyógyszerészeti kémiai csapatok számára és fontos lépéseket téve a gyógyszerfelfedezés teljesen autonóm megközelítései felé” – teszi hozzá John Chodera, a Memorial Sloan Kettering Cancer Center számítógépes vegyésze, aki nem vett részt ebben a munkában.

Ez a kutatás részben a DARPA Accelerated Molecular Discovery Program, a Haditengerészeti Kutatási Hivatal és a Nemzeti Tudományos Alapítvány támogatásával valósult meg.

Érdekes információ: Az AI által felfedezett molekulák közül néhány olyan tulajdonságokkal rendelkezik, amelyek előre nem látható módon hatékonyak lehetnek a jelenlegi gyógyszeres kezelések javításában.