Ερευνητές του Πανεπιστημίου του Κέιμπριτζ αξιοποίησαν την τεχνητή νοημοσύνη για να επιταχύνουν δραματικά την αναζήτηση νέων θεραπειών για τη νόσο του Πάρκινσον.Χρησιμοποιώντας τεχνικές μηχανικής μάθησης, κατάφεραν να ελέγξουν εκατομμύρια πιθανές φαρμακευτικές ενώσεις και να εντοπίσουν τους πιο υποσχόμενους υποψηφίους δέκα φορές πιο γρήγορα και 1000 φορές πιο οικονομικά αποδοτικά από τις συμβατικές μεθόδους.

Η νόσος του Πάρκινσον είναι μια σύνθετη, προοδευτική νευροεκφυλιστική νόσος που πλήττει περίπου 6 εκατομμύρια ανθρώπους παγκοσμίως. Ο αριθμός αυτός αναμένεται να τριπλασιαστεί έως το 2040. Επί του παρόντος, καμία θεραπεία δεν μπορεί να επιβραδύνει ή να σταματήσει αξιόπιστα την εξέλιξη της νόσου.

Η παραδοσιακή διαδικασία ελέγχου τεράστιων χημικών βιβλιοθηκών για την εύρεση πιθανών υποψήφιων φαρμάκων είναι εξαιρετικά αργή, δαπανηρή και συχνά ανεπιτυχής. “Μια οδός για την αναζήτηση πιθανών θεραπειών για τη νόσο του Πάρκινσον απαιτεί τον εντοπισμό μικρών μορίων που μπορούν να αναστείλουν τη συσσώρευση της α-συνουκλεΐνης, μιας πρωτεΐνης που συνδέεται στενά με τη νόσο”, δήλωσε ο επικεφαλής ερευνητής καθηγητής Michele Vendruscolo στο Πανεπιστήμιο του Κέιμπριτζ. “Αλλά αυτή είναι μια εξαιρετικά χρονοβόρα διαδικασία – μόνο ο εντοπισμός ενός κύριου υποψηφίου για περαιτέρω δοκιμές μπορεί να διαρκέσει μήνες ή και χρόνια”.

Για την αντιμετώπιση αυτής της πρόκλησης, ο Vendruscolo και η ομάδα του ανέπτυξαν μια προσέγγιση μηχανικής μάθησης 5 βημάτων. Η μελέτη δημοσιεύθηκε στο Nature Chemical Biology.

• Ξεκινήστε με ένα μικρό σύνολο ενώσεων, που εντοπίστηκαν μέσω προσομοιώσεων, οι οποίες έχουν τη δυνατότητα να εμποδίζουν τη συσσώρευση της πρωτεΐνης α-συνουκλεΐνης, η οποία είναι η κύρια αιτία της νόσου Πάρκινσον. Στη συνέχεια, δοκιμάστε πειραματικά την αποτελεσματικότητά τους.
• Χρησιμοποιήστε τα αποτελέσματα για να εκπαιδεύσετε ένα μοντέλο μηχανικής μάθησης για να προβλέψετε ποιες μοριακές δομές και ιδιότητες καθιστούν μια ένωση αποτελεσματική στην παρεμπόδιση της συσσωμάτωσης των πρωτεϊνών.
• Εφαρμόστε το εκπαιδευμένο μοντέλο για να ελέγξετε γρήγορα μια εικονική βιβλιοθήκη που περιέχει εκατομμύρια ενώσεις και να προβλέψετε τους πιο ισχυρούς υποψήφιους.
• Επικυρώστε πειραματικά στο εργαστήριο τους υποψήφιους που επιλέχθηκαν με τεχνητή νοημοσύνη. Επιστροφή αυτών των αποτελεσμάτων στο μοντέλο για την περαιτέρω βελτίωση των δυνατοτήτων πρόβλεψής του.
• Επαναλάβετε αυτόν τον κύκλο υπολογιστικής πρόβλεψης και πειραματικών δοκιμών, με το μοντέλο τεχνητής νοημοσύνης να γίνεται εξυπνότερο σε κάθε γύρο, μηδενίζοντας τις πιο ισχυρές ενώσεις.

Σε πολλαπλές επαναλήψεις, το ποσοστό βελτιστοποίησης – το ποσοστό των δοκιμασμένων ενώσεων που ανέστειλαν τη συσσωμάτωση της α-συνουκλεΐνης που σχετίζεται με τη νόσο του Πάρκινσον – αυξήθηκε από 4% σε πάνω από 20%.

Επιπλέον, οι ενώσεις που βρέθηκαν από την τεχνητή νοημοσύνη ήταν, κατά μέσο όρο, πολύ πιο ισχυρές από οποιεσδήποτε είχαν εντοπιστεί προηγουμένως. Ορισμένες έδειξαν πολλά υποσχόμενη δράση σε οκταπλάσιες δόσεις. Ήταν επίσης πιο ποικίλες χημικά, με το μοντέλο να ανακαλύπτει αποτελεσματικές ενώσεις που διέφεραν από τις γνωστές δομές. “Η μηχανική μάθηση έχει πραγματικό αντίκτυπο στην ανακάλυψη φαρμάκων – επιταχύνει την όλη διαδικασία εντοπισμού των πιο υποσχόμενων υποψηφίων”, δήλωσε ο Vendruscolo.

“Χρησιμοποιώντας τις γνώσεις που αποκτήσαμε από την αρχική διαλογή με το μοντέλο μηχανικής μάθησης, μπορέσαμε να εκπαιδεύσουμε το μοντέλο για να εντοπίσουμε τις συγκεκριμένες περιοχές σε αυτά τα μικρά μόρια που είναι υπεύθυνες για τη δέσμευση, και στη συνέχεια μπορούμε να προβούμε σε νέα διαλογή και να βρούμε πιο ισχυρά μόρια”. “Για εμάς, αυτό σημαίνει ότι μπορούμε να ξεκινήσουμε να εργαζόμαστε σε πολλαπλά προγράμματα ανακάλυψης φαρμάκων – αντί για ένα μόνο. Τόσα πολλά είναι εφικτά λόγω της τεράστιας μείωσης τόσο του χρόνου όσο και του κόστους – είναι μια συναρπαστική εποχή”.

Οι ερευνητές τονίζουν ότι αυτό είναι μόνο η αρχή των όσων θα μπορούσαν να επιτρέψουν οι προσεγγίσεις που βασίζονται στην τεχνητή νοημοσύνη στην ανακάλυψη φαρμάκων για τη νόσο του Πάρκινσον και άλλες ασθένειες που χαρακτηρίζονται από την κακή αναδίπλωση και συσσωμάτωση πρωτεϊνών.

Με περαιτέρω ανάπτυξη και μεγαλύτερα σύνολα δεδομένων εκπαίδευσης, η προγνωστική ισχύς αυτών των μοντέλων θα πρέπει να βελτιωθεί. Ενώ υπάρχει ακόμη μακρύς δρόμος μπροστά μας για να μετατραπούν αυτοί οι υποψήφιοι που εντοπίστηκαν από την ΤΝ σε εγκεκριμένες θεραπείες, η μελέτη αυτή δείχνει πώς η μηχανική μάθηση, σε έξυπνο συνδυασμό με την πειραματική βιολογία, μπορεί να επιταχύνει σημαντικά τα πρώτα στάδια της ανακάλυψης φαρμάκων.

Αυτό βασίζεται σε μια σειρά ερευνών που αντιμετωπίζουν την πρόκληση του εντοπισμού νέων, καινοτόμων φαρμακευτικών θεραπειών, μεταξύ άλλων από το MIT και το Tufts, που πρόσφατα δημιούργησαν ένα μοντέλο ικανό να κοσκινίζει καθημερινά περίπου 100 εκατομμύρια ενώσεις. Αρκετά μοντέλα ανακάλυψης αντιβιοτικών έχουν παράγει πειραματικές ενώσεις, ορισμένες από τις οποίες κατευθύνονται προς κλινικές δοκιμές.

Ένα άλλο έργο μεγάλης κλίμακας σε συνεργασία με το Moorfields Eye Hospital στο Ηνωμένο Βασίλειο από πέρυσι χρησιμοποίησε σαρώσεις ματιών για να εντοπίσει τα πρώιμα σημάδια της νόσου του Πάρκινσον – μια νέα μέθοδος που επιτρέπει η τεχνητή νοημοσύνη.

Με αυτή τη νέα μελέτη που αποσκοπεί στην ανακάλυψη αποτελεσματικών θεραπειών για τη νόσο του Πάρκινσον, οι μέθοδοι ΤΝ υπόσχονται πολλά για τον επαναπροσδιορισμό της ιατρικής και της υγειονομικής περίθαλψης.