AI-model sammenligner direkte egenskaber af potentielle nye lægemidler

Biomedicinske ingeniører ved Duke University har udviklet en AI-platform, der autonomt sammenligner molekyler og lærer af deres variationer for at forudse egenskabsforskelle, der er afgørende for at opdage nye lægemidler. Platformen giver forskere et mere præcist og effektivt værktøj til at hjælpe med at designe terapeutiske midler og andre kemikalier med nyttige egenskaber.

Forskningen blev offentliggjort den 27. oktober i Journal of Cheminformatics .

Maskinlæringsalgoritmer bruges i stigende grad til at studere og forudsige de biologiske, kemiske og fysiske egenskaber af små molekyler, der bruges i lægemiddeludvikling og andre materialedesignopgaver. Disse værktøjer kan hjælpe forskere med at forstå de vigtigste "ADMET" egenskaber ved et molekyle - hvordan det absorberes, distribueres, metaboliseres, udskilles og dets toksicitet i kroppen. Ved at forstå disse forskellige egenskaber kan forskere identificere molekyler for at udvikle nye terapier, der er sikrere og mere effektive.

Mens eksisterende maskinlæringsplatforme gør det muligt for forskere at screene et meget større antal molekyler, end det ville være muligt ved fysisk at lave dem alle i et laboratorium, kan de kun forudsige egenskaberne af et molekyle ad gangen, hvilket begrænser deres samlede effektivitet, når de får til opgave at identificere mest optimale sammensætning.

Mens der er et par andre beregningsmæssige tilgange til at fjerne dette ekstra trin og direkte sammenligne molekyler, er de begrænsede i deres omfang. For eksempel er metoder som fri energiforstyrrelse meget nøjagtige, men så komplicerede beregningsmæssigt, at de kun kan evaluere en håndfuld molekyler ad gangen. Tilgange som matchede molekylepar er på den anden side meget hurtigere, men kan kun sammenligne meget lignende molekyler, hvilket begrænser deres bredere anvendelse.

For at løse dette problem har Reker og Zachary Fralish, en ph.d. studerende i Reker-laboratoriet, udviklede DeepDelta, en deep learning-tilgang, der effektivt kan sammenligne to molekyler samtidigt og forudsige egenskabsforskellene mellem dem, selvom de er meget forskellige.

"Ved at lade netværket lære af en en-til-en-sammenligning, giver du det flere datapunkter, end hvis det lærte fra et molekyle ad gangen," sagde Reker. "Platformen lærer om strukturen og egenskaberne af hvert molekyle individuelt, men den lærer også om forskellene mellem de to, og hvordan disse forskelle informerer om molekylets egenskaber."

Holdet testede DeepDelta-platformen mod to avancerede modeller på området:Random Forest, en meget brugt klassisk maskinlæringsmodel, og ChemProp, et dybt neuralt netværk, som DeepDelta er baseret på. Hvert system sammenlignede to kendte molekylære strukturer og forudsagde 10 forskellige ADMET-egenskaber, herunder hvordan molekylerne fjernes fra nyrerne, deres respektive halveringstider og hvor godt de kan metaboliseres af leveren.

DeepDelta viste sig betydeligt mere effektiv og præcis til at forudsige og kvantificere forskellene i molekylære egenskaber mellem molekyler end de eksisterende platforme.

"Uddannelse i molekylære forskelle gør det muligt for denne metode at være mere nøjagtig, når det besluttes, om et nyt kemikalie er bedre eller værre end et nuværende," sagde Fralish. "Det er som at lave lektier, der er mere ligesom din test. Vi udvidede også størrelsen af ​​vores datasæt kraftigt ved at parre, hvilket i det væsentlige gav vores modeller flere lektier, hvilket virkelig hjælper datahungrende neurale netværk med at lære mere."

Teamet ser nu frem til at inkorporere denne model i deres arbejde, mens de designer potentielle nye terapier og optimerer eksisterende lægemiddelkandidater.

"Med dette værktøj kunne vi se på et lægemiddel, der næsten klarede det gennem FDA-godkendelse, men måske havde det problemer med levertoksicitet, så det klarede det ikke helt," sagde Fralish. "DeepDelta kunne hjælpe med at identificere molekyler, der har de samme gode egenskaber, men ingen levertoksicitet. Dette værktøj åbner op for en masse muligheder ved at hjælpe os med at beslutte, hvilket kemikalie der har den bedste chance for at gøre, hvad vi vil i den virkelige verden, hvilket sparer tid og penge. "

Flere oplysninger: Zachary Fralish et al., DeepDelta:forudsigelse af ADMET-forbedringer af molekylære derivater med deep learning, Journal of Cheminformatics (2023). DOI:10.1186/s13321-023-00769-x

Leveret af Duke University