Jeg bygger matematiske programmer, der kan opdage fremtidens stoffer

At opdage og designe et nyt lægemiddel er en af ​​de mest udfordrende opgaver i de biologiske videnskaber. Det tager over 10 år og omkring 2,6 milliarder USD at bringe et gennemsnitligt lægemiddel på markedet.

Den væsentlige idé bag at lave et nyt lægemiddel er at skabe et molekyle, der binder sig til et mål, såsom et protein eller DNA, for at aktivere eller hæmme dens biologiske funktion. At, på tur, skal føre til en terapeutisk fordel for patienten.

Ideelt set lægemidlet skal være meget selektivt, hvilket betyder, at det binder sig stærkt til målmolekylet uden at påvirke andre lignende molekyler, og at det kommer sammen med det menneskelige stofskiftesystem. Der er mange trin, før stoffet kan komme på markedet, herunder toksicitetstest, tre faser af kliniske forsøg og målinger for at bestemme den passende dosis.

Mens mange mennesker blev overrasket over kraften i kunstig intelligens, da AlphaGo slog menneskelige eksperter på Go for første gang for et par år siden, det var ikke klart, om AI kunne tackle videnskabelige udfordringer.

Men, december sidste år, Googles DeepMind vandt konkurrencen Critical Assessment of Structure Prediction ved hjælp af sit seneste kunstige intelligenssystem, AlphaFold. Denne konkurrence anerkender den teknologi, der bedst kan konstruere et proteins 3-D struktur ud fra biologiske sekvenser. AlphaFold var i stand til at vinde 25 ud af 43 konkurrencer med høj nøjagtighed. Til sammenligning, det næstbedste hold vandt kun tre.

AlphaFolds dominerende vinder indleder en ny æra af videnskabelig forskning. Forskere som jeg er spændte på, hvad fremtiden kan bringe for biomedicin. AI vil gøre opdagelsen af ​​nye lægemidler betydeligt hurtigere og billigere. Dette kan være særlig gavnligt for patienter med sjældne medicinske lidelser, for hvem opdagelse af lægemidler i øjeblikket ikke er rentabel, eller for dem, hvis medicinske lidelser i øjeblikket ikke kan behandles effektivt med lægemidler, såsom Alzheimers sygdom.

Automatiseret lægemiddeldesign

Imidlertid, lægemiddeldesign er meget mere komplekst end forudsigelse af proteinfoldning.

Generative kontradiktoriske netværk, en banebrydende type kunstig intelligens-program, kunne være en prototype til automatiseret lægemiddelopdagelse. En del af programmet genererer potentielle molekyler, der kunne bruges i lægemidler, mens den anden luger ud ukvalificerede kandidater baseret på eksisterende databaseinformation og ideelle lægemiddelkrav.

Generatoren lærer af de fejl, som diskriminatoren fanger, indtil diskriminatoren er tilfreds.

En af de største hindringer for automatiseret lægemiddeldesign er problemets ekstreme størrelse. Et typisk humant protein og dets bindende lægemiddel har mange, mange mulige konfigurationer. Selvom en computer opregner én mulig konfiguration pr. sekund, det ville stadig tage længere tid, end universet har eksisteret, at nå den rigtige konfiguration.

Selv alle verdens computere tilsammen har ikke strøm nok til at designe medicin automatisk.

Udredning af molekylerne

I mit laboratorium, vi tackler disse udfordringer matematisk. Vores arbejde fokuserer på at reducere den geometriske kompleksitet af individuelle proteiner til computere. Hvert protein har en unik form, der påvirker hvilke molekyler det kan binde sig til. Vi har introduceret tre matematiske metoder, der i høj grad øger computerens evne til at repræsentere nye lægemiddelmolekyler, og hvordan de kan interagere med proteiner i den menneskelige krop.

For eksempel, den første metode bruger differentialgeometri, en teknik brugt af Einstein til at formulere sin generelle relativitetsteori, der forklarede rummet, tid og stjernernes bevægelser. Vi bruger det til at beskrive kontaktflader og interaktioner mellem proteiner og lægemidler. Det gør det nemmere for computeren at vurdere, hvordan proteinet ville reagere på et givet lægemiddelmolekyle.

En anden metode kaldes algebraisk topologi, som giver en højniveauabstraktion af protein-lægemiddel-interaktioner, så en computer nemt kan forstå forskellen mellem et passende lægemiddel og et lokkemiddel. Den anden metode, grafteori, undersøger de mange forskellige måder, et protein kan interagere med et lægemiddel på, såsom hydrogenbinding, elektrostatiske interaktioner eller reaktioner på vand. Ved at studere alle disse mulige interaktioner, vi kan holde øje med alt, der kan være skadeligt for menneskers sundhed.

Virkningen af ​​vores matematiske tilgange er bedst relateret gennem D3R Grand Challenges, en årlig verdensomspændende konkurrence, hvor deltagere sætter deres redskaber op imod ordinerede lægemidler og bindingsproblemer. Vi vandt 14 procent af konkurrencerne i Grand Challenge 2 i 2016, forbedre dette til en vinderrate på 38 procent i Grand Challenge 3 i 2017. Den anden vinder havde en vinderrate på 19 procent.

I den seneste Grand Challenge 4, foreløbige resultater indikerer, at vi måske har de bedste forudsigelser i 50 procent af konkurrencerne. Vores tilgang er titusindvis af gange hurtigere end traditionelle metoder baseret på molekylære simuleringer.

Stimuleret af denne succes, vi har indgået partnerskaber med Pfizer for at forbedre matematiske AI-værktøjer til virtuel screening og med Bristol-Myers Squibb for at forudsige lægemiddeleffektivitet og optimere doser.

Integrering af avanceret matematik og kunstig intelligens giver en effektiv måde at søge efter nye lægemidler på. Det kan være, at just a decade down the road, AI will become a leading force for new drug discovery, leading to less expensive and more efficient drugs.

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.