AI-baseret screeningsmetode kunne øge hastigheden af ​​opdagelse af nye lægemidler

At udvikle livreddende medicin kan tage milliarder af dollars og årtier af tid, men University of Central Florida-forskere sigter mod at fremskynde denne proces med en ny kunstig intelligens-baseret lægemiddelscreeningsproces, de har udviklet.

Ved at bruge en metode, der modellerer lægemiddel- og målproteininteraktioner ved hjælp af naturlige sprogbehandlingsteknikker, opnåede forskerne op til 97% nøjagtighed i at identificere lovende lægemiddelkandidater. Resultaterne blev offentliggjort for nylig i tidsskriftet Briefings in Bioinformatics .

Teknikken repræsenterer lægemiddel-protein-interaktioner gennem ord for hvert proteinbindingssted og bruger dyb læring til at udtrække de funktioner, der styrer de komplekse interaktioner mellem de to.

"Når AI er blevet mere tilgængeligt, er dette blevet noget, som AI kan tackle," siger studiemedforfatter Ozlem Garibay, en assisterende professor i UCF's Institut for Industriel Teknik og Management Systemer. "Du kan prøve så mange variationer af proteiner og lægemiddelinteraktioner og finde ud af, hvilke der er mere tilbøjelige til at binde eller ej."

Den model, de har udviklet, kendt som AttentionSiteDTI, er den første, der kan fortolkes ved hjælp af sproget for proteinbindingssteder.

Arbejdet er vigtigt, fordi det vil hjælpe lægemiddeldesignere med at identificere kritiske proteinbindingssteder sammen med deres funktionelle egenskaber, hvilket er nøglen til at afgøre, om et lægemiddel vil være effektivt.

Forskerne opnåede denne præstation ved at udtænke en selvopmærksomhedsmekanisme, der får modellen til at lære, hvilke dele af proteinet, der interagerer med lægemiddelforbindelserne, samtidig med at den opnår avanceret forudsigelsesydelse.

Mekanismens selvopmærksomhedsevne virker ved selektivt at fokusere på de mest relevante dele af proteinet.

Forskerne validerede deres model ved hjælp af laboratorieeksperimenter, der målte bindingsinteraktioner mellem forbindelser og proteiner og sammenlignede derefter resultaterne med dem, som deres model forudsagde beregningsmæssigt. Da lægemidler til behandling af COVID stadig er af interesse, omfattede eksperimenterne også test og validering af lægemiddelforbindelser, der ville binde til et spidsprotein fra SARS-CoV2-virussen.

Garibay siger, at den høje overensstemmelse mellem laboratorieresultaterne og de beregningsmæssige forudsigelser illustrerer potentialet i AttentionSiteDTI til at forhåndsscreene potentielt effektive lægemiddelforbindelser og fremskynde udforskningen af ​​nye lægemidler og genanvendelse af eksisterende lægemidler.

"Denne forskning med høj effekt var kun mulig på grund af tværfagligt samarbejde mellem materialeteknik og AI/ML og computerforskere for at adressere COVID-relateret opdagelse," siger Sudipta Seal, studiemedforfatter og formand for UCF's Institut for Materialevidenskab og Engineering.

Mehdi Yazdani-Jahromi, en ph.d.-studerende ved UCF's College of Engineering and Computer Science og undersøgelsens hovedforfatter, siger, at arbejdet introducerer en ny retning inden for præ-screening af lægemidler.

"Dette gør det muligt for forskere at bruge kunstig intelligens til at identificere lægemidler mere præcist for at reagere hurtigt på nye sygdomme," siger Yazdani-Jahromi. "Denne metode giver også forskerne mulighed for at identificere det bedste bindingssted for et viruss protein at fokusere på i lægemiddeldesign."

"Det næste trin i vores forskning vil være at designe nye lægemidler ved hjælp af AI's kraft," siger han. "Dette kan naturligvis være det næste skridt for at være forberedt på en pandemi." + Udforsk yderligere

Forskere identificerer nye lægemidler ved hjælp af fortolkelige forudsigelser om dyb læring