חוקרים השתמשו בטכניקות של בינה מלאכותית כדי להאיץ באופן מסיבי את החיפוש אחר טיפולים במחלת פרקינסון.
החוקרים, מאוניברסיטת קיימברידג', תכננו והשתמשו באסטרטגיה מבוססת בינה מלאכותית כדי לזהות תרכובות החוסמות את הגיבוש, או הצבירה, של אלפא-סינוקלאין, החלבון המאפיין את פרקינסון.
הצוות השתמש בטכניקות למידת מכונה כדי לסנן במהירות ספרייה כימית המכילה מיליוני ערכים, וזיהה חמש תרכובות חזקות ביותר לחקירה נוספת.
פרקינסון משפיע על יותר משישה מיליון אנשים ברחבי העולם, כאשר מספר זה צפוי לשלש עד 2040. אין כיום טיפולים משנים את המחלה עבור המצב. התהליך של סינון ספריות כימיות גדולות עבור מועמדים לתרופות – שצריך לקרות הרבה לפני שניתן יהיה לבדוק טיפולים פוטנציאליים על חולים – גוזל זמן רב ויקר מאוד, ולעתים קרובות אינו מוצלח.
באמצעות למידת מכונה, החוקרים הצליחו לזרז את תהליך המיון הראשוני פי עשרה, ולהוזיל את העלות פי אלף, מה שעשוי לגרום לכך שטיפולים פוטנציאליים בפרקינסון מגיעים לחולים הרבה יותר מהר. התוצאות מדווחות בכתב העת ביולוגיה כימית של הטבע.
פרקינסון הוא המצב הנוירולוגי הצומח ביותר בעולם. בבריטניה, אחד מכל 37 אנשים החיים היום יאובחן עם פרקינסון במהלך חייהם. בנוסף לתסמינים מוטוריים, פרקינסון יכול להשפיע גם על מערכת העיכול, מערכת העצבים, דפוסי השינה, מצב הרוח והקוגניציה, ויכול לתרום לירידה באיכות החיים ולנכות משמעותית.
חלבונים אחראים על תהליכים חשובים בתאים, אך כאשר אנשים חולים בפרקינסון, החלבונים הללו משתבשים וגורמים למוות של תאי עצב. כאשר חלבונים מתקפלים לא נכון, הם יכולים ליצור אשכולות לא תקינים הנקראים גופי לוי, אשר מצטברים בתוך תאי המוח ומונעים מהם לתפקד כראוי.
"דרך אחת לחיפוש אחר טיפולים פוטנציאליים לפרקינסון דורשת זיהוי של מולקולות קטנות שיכולות לעכב את הצטברות אלפא-סינוקלאין, שהוא חלבון הקשור קשר הדוק למחלה", אמרה פרופסור מישל ונדרוסקולו מהמחלקה לכימיה של יוסוף חמיד. הוביל את המחקר. "אבל זהו תהליך שלוקח זמן רב – רק זיהוי מועמד מוביל לבדיקות נוספות יכול לקחת חודשים ואף שנים."
בעוד שיש כרגע ניסויים קליניים לפרקינסון, לא אושרה שום תרופה לשינוי מחלה, המשקפת את חוסר היכולת לכוון ישירות למין המולקולרי שגורם למחלה.
זה היווה מכשול מרכזי במחקר פרקינסון, בגלל היעדר שיטות לזהות את המטרות המולקולריות הנכונות ולעסוק בהן. פער טכנולוגי זה פגע מאוד בפיתוח טיפולים יעילים.
צוות קיימברידג' פיתח שיטת למידת מכונה שבה נבדקות ספריות כימיות המכילות מיליוני תרכובות כדי לזהות מולקולות קטנות שנקשרות לצברי העמילואיד וחוסמות את התפשטותן.
מספר קטן של תרכובות מהשורה הראשונה נבדקו לאחר מכן בניסוי כדי לבחור את מעכבי הצבירה החזקים ביותר. המידע שהתקבל ממבחנים ניסיוניים אלה הוזן בחזרה למודל למידת מכונה באופן איטרטיבי, כך שלאחר מספר איטרציות, זוהו תרכובות חזקות ביותר.
במקום לסנן ניסיוני, אנחנו מסננים באופן חישובי. על ידי שימוש בידע שרכשנו מההקרנה הראשונית עם מודל למידת המכונה שלנו, הצלחנו לאמן את המודל לזהות את האזורים הספציפיים במולקולות הקטנות הללו האחראיות לקישור, ואז נוכל לסנן מחדש ולמצוא מולקולות חזקות יותר."
פרופסור מישל ונדרוסקולו, מנהל שותף של המרכז למחלות מתקפלות
בשיטה זו, צוות קיימברידג' פיתח תרכובות למיקוד כיסים על משטחי האגרגטים, שאחראים להתפשטות האקספוננציאלית של האגרגטים עצמם. תרכובות אלו חזקות פי מאות מונים, והרבה יותר זולות לפיתוח, מאלה שדווחו בעבר.
"ללמידה מכונה יש השפעה אמיתית על תהליך גילוי התרופות – היא מזרזת את כל התהליך של זיהוי המועמדים המבטיחים ביותר", אמר ונדרוסקולו. "עבורנו זה אומר שאנחנו יכולים להתחיל לעבוד על מספר תוכניות גילוי תרופות – במקום רק אחת. כל כך הרבה אפשרי בגלל ההפחתה המסיבית בזמן ובעלות – זו תקופה מרגשת".
המחקר נערך במעבדת הכימיה של הבריאות בקיימברידג', שהוקמה בתמיכת קרן ההשקעות של שותפות המחקר הבריטית (UKRPIF) כדי לקדם את התרגום של מחקר אקדמי לתוכניות קליניות.
