2024. 02. 08. - 10:40
Mesterséges intelligencia - Új gyógyszerek tervezésére kódolják a ChatGPT-t
Bevetették a tudósok a ChatGPT nyelvi modellt új gyógykészítmények tervezésére. A GenAI a jelek szerint jóval többre képes, mint amit eddig a ChatGPT-ről tudtunk.
A generatív mesterséges intelligencia platformok – a ChatGPT-től a Midjourney-ig – tavaly, 2023-ban kerültek az érdeklődés középpontjába.
A GenAI azonban már többre képes, mint képek létrehozására és e-mailek írására – új gyógyszereket is tervezhet betegségek kezelésére.
A kutatók napjainkban már alkalmazzák a fejlett technológiát a megfelelő tulajdonságokkal és jellemzőkkel rendelkező új szintetikus gyógyszer-vegyületek tervezésére. Ezeket „de novo gyógyszertervezésnek” is nevezik. A jelenlegi módszerek azonban munka-, idő- és költségigényesek lehetnek.
Saját GenAI a gyógyszerkészítéshez
A ChatGPT népszerűségét látva a kutatók kipróbáltak egy ötletet. Miután azon gondolkodtak, vajon a megközelítés felgyorsíthatja-e a gyógyszertervezési folyamatot, a kaliforniai, Orange-beli Chapman Egyetem Schmid Tudományos és Technológiai Kollégiumának tudósai úgy döntöttek, létrehozzák saját GenAI-modelljüket.
Tanulmányukat a Pharmaceuticals folyóiratban közölték. Olvasd el: Csökkentheti a gyógyszerek gyakori mellékhatásait egy mesterséges intelligencia-eszköz
Mesterséges intelligencia - Új gyógyszerek tervezésére kódolják a ChatGPT-t
Dony Ang, Cyril Rakovski és Hagop Atamian olyan modellt kódoltak, amellyel megismerhetik az ismert vegyi anyagok hatalmas adathalmazát: miként kötődnek a célfehérjékhez, valamint a kémiai szerkezet és tulajdonságok szabályait és szintaxisát.
A végeredmény számtalan egyedi molekulaszerkezetet hozhat létre, amelyek követik az alapvető kémiai és biológiai korlátokat és hatékonyan kötődnek a célpontjukhoz.
Ebben pedig benne rejlik az ígéret, hogy – a költségek töredékéért - jelentősen felgyorsíthatja az életképes gyógyszerjelöltek azonosításának folyamatát, a betegségek széles körére vonatkozóan.
Áttörő jelentőségű modell
Az áttörő modell megalkotásához a kutatók először két élvonalbeli mesterséges intelligencia technikát integráltak a bioinformatika és a cheminformatika területén: a jól ismert Encoder-Decoder Transformer architektúrát és a Reinforcement Learning via Monte Carlo Tree Search (RL- MCTS) elnevezésűt.
A DrugAI nevű platform egy célfehérje-szekvencia bevitelét teszi lehetővé a felhasználók számára - például egy olyan fehérjét, amely jellemzően részt vesz a rák progressziójában.
A DrugAI, amely a BindingDB átfogó nyilvános adatbázisából származó adatokon alapul, egyedi molekuláris struktúrákat tud létrehozni a semmiből, majd iteratív módon finomítani a jelölteket, biztosítva, hogy a döntősök erős kötődési affinitást mutassanak a megfelelő gyógyszercélokhoz – ez kulcsfontosságú a potenciális gyógyszerek hatékonysága szempontjából. A modell 50-100 új molekulát azonosít, amelyek valószínűleg gátolják ezeket a fehérjéket.
„Ez a megközelítés megoldja számunkra, hogy olyan potenciális gyógyszert állítsunk elő, amely soha nem született még meg - mondta dr. Atamian. - Tesztelték és validálták, most pedig csodálatos eredményekkel szembesülünk.”
A kutatók több kritérium alapján értékelték a DrugAI által generált molekulákat. Kiderült, hogy a DrugAI eredményei hasonló minőségűek voltak, mint két másik elterjedt módszeréi - sőt bizonyos esetekben jobbak is.
Felfedezték, hogy a DrugAI gyógyszerjelöltjei 100 százalékos érvényességi rátával rendelkeznek – ami azt jelenti, hogy az előállított gyógyszerek egyike sem volt jelen a képzési készletben.
A DrugAI készítmény-jelöltjeit a gyógyszerszerűséget, illetve a vegyület tulajdonságainak hasonlóságát tekintve is mérték a szájon át alkalmazható gyógyszerekéhez. A jelölt gyógyszerek legalább 42 százalékkal és 75 százalékkal voltak magasabbak, mint más modellek.
Ráadásul, minden DrugAI által generált molekula erős kötődési affinitást mutatott a megfelelő célpontokhoz - összehasonlítva a hagyományos virtuális szűrési megközelítésekkel azonosítottakkal.
Egy adott betegségre is tesztelték
Ang, Rakovski és Atamian arra is kíváncsi volt, hogy a drugAI milyen eredményeket mutat egy adott betegség esetében, összevetve azt az adott betegségre már ismert gyógyszerekkel.
Egy másik kísérletben a szűrési módszerekkel létrehozták a COVID-19 fehérjéket gátló természetes termékek listáját. A drugAI összeállított egy listát azokról az új gyógyszerekről, amelyek ugyanazt a fehérjét célozzák meg, hogy összevessék a tulajdonságaikat.
Összehasonlították a gyógyszerszerűséget és a kötési affinitást a természetes molekulák és a DrugAI-k között, s mindkettőben hasonló méréseket találtak – a DrugAI azonban sokkal gyorsabban és olcsóbban tudta azonosítani ezeket.
A tudósok emellett úgy tervezték meg az algoritmust, hogy rugalmas szerkezettel rendelkezzen, amely lehetővé teszi új funkciók hozzáadását a jövőbeli kutatók számára.
„Ez azt jelenti, hogy kifinomultabb gyógyszerjelöltek jönnek majd létre és még nagyobb a valószínűsége annak, hogy valódi gyógyszer lesz belőlük” - mondta dr. Atamian, hozzátéve, hogy izgatottan várják a további lehetőségeket.
L.A.
