מדענים מאוניברסיטת אוניברסיטת סן דייגו פיתחו אלגוריתם למידת מכונה כדי לדמות את הכימיה גוזלת הזמן הכרוכה בשלבים המוקדמים ביותר של גילוי תרופות, מה שיכול לייעל משמעותית את התהליך ולפתוח דלתות לטיפולים שטרם נראו. זיהוי תרופות מועמדות לאופטימיזציה נוספת כרוך בדרך כלל באלפי ניסויים בודדים, אך פלטפורמת הבינה המלאכותית החדשה (AI) עשויה להניב את אותן התוצאות בחלק מהזמן. החוקרים השתמשו בכלי החדש, המתואר ב תקשורת טבעלסנתז 32 מועמדים לתרופות חדשות לסרטן.
הטכנולוגיה היא חלק ממגמה חדשה אך צומחת במדע התרופות של שימוש בבינה מלאכותית לשיפור גילוי ופיתוח תרופות.
לפני כמה שנים, בינה מלאכותית הייתה מילה גסה בתעשיית התרופות, אך כעת המגמה היא בהחלט הפוכה, כאשר חברות סטארט-אפ ביוטכנולוגיה מתקשות לגייס כספים מבלי להתייחס לבינה מלאכותית בתוכנית העסקית שלהן. גילוי תרופות מונחה בינה מלאכותית הפך לתחום פעיל מאוד בתעשייה, אבל בניגוד לשיטות המפותחות בחברות, אנחנו הופכים את הטכנולוגיה שלנו לקוד פתוח ונגישה לכל מי שרוצה להשתמש בה".
טרי אידיקר, סופר בכיר, פרופסור במחלקה לרפואה בבית הספר לרפואה באוניברסיטת סן דייגו ופרופסור עזר לביו-הנדסה ומדעי המחשב בבית הספר להנדסה בסן דייגו ג'ייקובס
הפלטפורמה החדשה, הנקראת POLYGON, ייחודית בין כלי בינה מלאכותית לגילוי תרופות בכך שהיא יכולה לזהות מולקולות עם מטרות מרובות, בעוד פרוטוקולי גילוי תרופות קיימים כיום נותנים עדיפות לטיפולי מטרה אחת. תרופות מרובות מטרות מעוררות עניין רב אצל רופאים ומדענים בגלל הפוטנציאל שלהן לספק את אותן היתרונות כמו טיפול משולב, שבו מספר תרופות שונות משמשות יחד לטיפול בסרטן, אך עם פחות תופעות לוואי.
"לוקח שנים רבות ומיליוני דולרים כדי למצוא ולפתח תרופה חדשה, במיוחד אם אנחנו מדברים על תרופה עם מספר מטרות". אמר אידקר. "מעט התרופות הרב-מטרות הנדירות שיש לנו התגלו ברובן במקרה, אבל הטכנולוגיה החדשה הזו יכולה לעזור להוציא את הסיכויים מהמשוואה ולהתניע דור חדש של רפואה מדויקת".
החוקרים הכשירו את POLYGON על מסד נתונים של למעלה ממיליון מולקולות ביו-אקטיביות ידועות המכילות מידע מפורט על התכונות הכימיות שלהן ואינטראקציות ידועות עם מטרות חלבון. על ידי למידה מדפוסים שנמצאו במסד הנתונים, POLYGON מסוגלת לייצר נוסחאות כימיות מקוריות לתרופות מועמדות חדשות שסביר להניח שיהיו בעלות תכונות מסוימות, כמו היכולת לעכב חלבונים ספציפיים.
"בדיוק כמו שבינה מלאכותית עכשיו טובה מאוד ביצירת ציורים ותמונות מקוריות, כמו יצירת תמונות של פנים אנושיות על סמך תכונות רצויות כמו גיל או מין, POLYGON מסוגלת ליצור תרכובות מולקולריות מקוריות המבוססות על תכונות כימיות רצויות", אמר אידקר. "במקרה הזה, במקום להגיד ל-AI כמה גיל אנחנו רוצים שהפנים שלנו ייראו, אנחנו אומרים לו איך אנחנו רוצים שהתרופה העתידית שלנו תתקשר עם חלבוני המחלה".
כדי להעמיד את POLYGON במבחן, החוקרים השתמשו בו כדי ליצור מאות תרופות מועמדות המכוונות לזוגות שונים של חלבונים הקשורים לסרטן. מתוכם, החוקרים סינתזו 32 מולקולות שהיו להן את האינטראקציות החזויות החזקות ביותר עם חלבוני MEK1 ו-mTOR, זוג חלבוני איתות תאיים המהווים יעד מבטיח לטיפול משולב בסרטן. שני החלבונים האלה הם מה שמדענים מכנים קטלניים מבחינה סינתטית, מה שאומר שעיכוב שניהם יחד מספיק כדי להרוג תאים סרטניים גם אם עיכוב אחד לבדו אינו.
החוקרים גילו שלתרופות שהם סינתזו הייתה פעילות משמעותית נגד MEK1 ו-mTOR, אך היו מעט תגובות מחוץ למטרה עם חלבונים אחרים. זה מצביע על כך שאחת או יותר מהתרופות שזוהו על ידי POLYGON יכולות למקד את שני החלבונים כטיפול בסרטן, ולספק רשימה של אפשרויות לכוונון עדין על ידי כימאים אנושיים.
"ברגע שיש לך את התרופות המועמדות, אתה עדיין צריך לעשות את כל הכימיה האחרת הנדרשת כדי לחדד את האפשרויות האלה לטיפול יחיד ויעיל", אמר אידקר. "אנחנו לא יכולים ולא צריכים לנסות לחסל את המומחיות האנושית מצינור גילוי התרופות, אבל מה שאנחנו יכולים לעשות זה לקצר כמה שלבים של התהליך".
למרות זהירות זו, החוקרים אופטימיים שהאפשרויות של AI לגילוי תרופות נבדקות רק עכשיו.
"לראות איך הקונספט הזה מתגלגל בעשור הבא, הן באקדמיה והן במגזר הפרטי, הולך להיות מרגש מאוד". אמר אידקר. "האפשרויות הן כמעט אינסופיות."
