Kunstigt intelligenssystem designer medicin fra bunden

En kunstig intelligens-tilgang skabt ved University of North Carolina ved Chapel Hill Eshelman School of Pharmacy kan lære sig selv at designe nye lægemiddelmolekyler fra bunden og har potentialet til dramatisk at accelerere designet af nye lægemiddelkandidater.

Systemet kaldes Reinforcement Learning for Structural Evolution, kendt som ReLeaSE, og er en algoritme og et computerprogram, der omfatter to neurale netværk, som kan opfattes som en lærer og en elev. Læreren kender syntaksen og sproglige regler bag kemisk strukturs ordforråd for omkring 1,7 millioner kendte biologisk aktive molekyler. Ved at arbejde sammen med læreren, eleven lærer over tid og bliver bedre til at foreslå molekyler, der sandsynligvis vil være nyttige som nye lægemidler.

Alexander Tropsha, Olexandr Isayev og Mariya Popova, alle UNC Eshelman School of Pharmacy, er skaberne af ReLeaSE. Universitetet har søgt patent på teknologien, og holdet offentliggjorde en proof-of-concept undersøgelse i tidsskriftet Videnskabens fremskridt sidste uge.

"Hvis vi sammenligner denne proces med at lære et sprog, efter at eleven har lært det molekylære alfabet og sprogets regler, de kan skabe nye 'ord, ' eller molekyler, " sagde Tropsha. "Hvis det nye molekyle er realistisk og har den ønskede effekt, læreren godkender. Hvis ikke, læreren afviser, tvinger eleven til at undgå dårlige molekyler og skabe gode. "

ReLeaSE er en kraftfuld innovation til virtuel screening, den beregningsmetode, der i vid udstrækning anvendes af den farmaceutiske industri til at identificere levedygtige lægemiddelkandidater. Virtuel screening giver forskere mulighed for at evaluere eksisterende store kemiske biblioteker, men metoden virker kun for kendte kemikalier. ReLeASE har den unikke evne til at skabe og evaluere nye molekyler.

"En videnskabsmand, der bruger virtuel screening, er som en kunde, der bestiller på en restaurant. Det, der kan bestilles, er normalt begrænset af menuen, " sagde Isayev. "Vi ønsker at give forskerne en købmand og en personlig kok, der kan lave enhver ret, de ønsker."

Holdet har brugt ReLeaSE til at generere molekyler med egenskaber, som de specificerede, såsom ønsket bioaktivitet og sikkerhedsprofiler. Teamet brugte ReLeaSE -metoden til at designe molekyler med tilpassede fysiske egenskaber, såsom smeltepunkt og opløselighed i vand, og at designe nye forbindelser med hæmmende aktivitet mod et enzym, der er forbundet med leukæmi.

"Algorithmens evne til at designe nyt, og derfor umiddelbart patenterbar, kemiske enheder med specifikke biologiske aktiviteter og optimale sikkerhedsprofiler bør være yderst attraktive for en industri, der konstant søger efter nye tilgange til at forkorte den tid, det tager at bringe en ny lægemiddelkandidat til kliniske forsøg, " sagde Tropsha.