Η τεχνητή νοημοσύνη φαίνεται πως διέπει πλέον κάθε πτυχή της ζωής, από την εκπαίδευση μέχρι τη δημιουργία ψεύτικων εικόνων (deepfakes) και τις διαγνώσεις στην ιατρική κοινότητα. Tι παραπάνω, όμως, θα μπορούσε να προσφέρει στην επιστήμη;
Σύμφωνα με νεότερη μελέτη, οι πλατφόρμες τεχνητής νοημοσύνης, από το ChatGPT έως το Midjourney, μπορούν να σχεδιάζουν – εκτός από ευφάνταστες εικόνες- και νέα φάρμακα για τη θεραπεία ασθενειών.
Μέχρι σήμερα, οι επιστήμονες χρησιμοποιούσαν προηγμένη τεχνολογία για να σχεδιάσουν νέες συνθετικές ενώσεις φαρμάκων με τις σωστές ιδιότητες και χαρακτηριστικά, γνωστή και ως «de novo drug design». Ωστόσο, οι τρέχουσες μέθοδοι μπορεί να είναι χρονοβόρες, δαπανηρές και απαιτούν αρκετές εργατοώρες.
Εμπνευσμένοι από τη δημοτικότητα του ChatGPT και διερωτώμενοι αν αυτή η προσέγγιση θα μπορούσε να επιταχύνει τη διαδικασία σχεδιασμού φαρμάκων, οι επιστήμονες του Κολλεγίου Επιστήμης και Τεχνολογίας Schmid του Πανεπιστημίου Chapman στο Orange της Καλιφόρνια, αποφάσισαν να δημιουργήσουν το δικό τους μοντέλο GenAI.
Η ερευνητική ομάδα κωδικοποίησε ένα μοντέλο, για να «μάθει» ένα τεράστιο σύνολο δεδομένων γνωστών χημικών ουσιών, τον τρόπο πρόσδεσής τους στις πρωτεΐνες-στόχους και τους κανόνες και τη σύνταξη της χημικής δομής και των ιδιοτήτων που γράφονται σε μεγάλο βαθμό.
Για τη δημιουργία του πρωτοποριακού μοντέλου, οι ερευνητές ενσωμάτωσαν για πρώτη φορά στους τομείς της βιοπληροφορικής και της χημειοπληροφορικής δύο πρωτοποριακές τεχνικές τεχνητής νοημοσύνης: τη γνωστή αρχιτεκτονική «Encoder-Decoder Transformer architecture» και την «Reinforcement Learning via Monte Carlo Tree Search» (RL-MCTS). Η πλατφόρμα, που εύστοχα ονομάστηκε «drugAI», επιτρέπει στους χρήστες να εισάγουν μια πρωτεϊνική αλληλουχία-στόχο (για παράδειγμα, μια πρωτεΐνη που συνήθως εμπλέκεται στην εξέλιξη του καρκίνου).
Το τελικό αποτέλεσμα μπορεί να δημιουργήσει αναρίθμητες μοναδικές μοριακές δομές που ακολουθούν βασικούς χημικούς και βιολογικούς περιορισμούς και δεσμεύονται αποτελεσματικά στους στόχους τους, υποσχόμενοι να επιταχύνουν σημαντικά τη διαδικασία εντοπισμού βιώσιμων υποψήφιων φαρμάκων για ένα ευρύ φάσμα ασθενειών, σε ένα αντίστοιχο μικρό ποσοστό του κόστους.
Το DrugAI, εκπαιδευμένο σε δεδομένα από την ολοκληρωμένη δημόσια βάση δεδομένων BindingDB, μπορεί να δημιουργήσει μοναδικές μοριακές δομές από το μηδέν και στη συνέχεια να βελτιώσει επαναληπτικά τα υποψήφια σχήματα, διασφαλίζοντας ότι οι τελικοί συνδυασμοί παρουσιάζουν ισχυρή συγγένεια πρόσδεσης με τους αντίστοιχους φαρμακευτικούς στόχους – ζωτικής σημασίας για την αποτελεσματικότητα των πιθανών φαρμάκων. Το μοντέλο εντοπίζει 50-100 νέα μόρια που είναι πιθανό να αναστείλουν τις συγκεκριμένες πρωτεΐνες.
«Η συγκεκριμένη προσέγγιση επιτρέπει να δημιουργήσουμε ένα πιθανό φάρμακο που δεν έχει ποτέ φανταστεί κανείς. Έχει δοκιμαστεί και επικυρωθεί και τώρα, βλέπουμε θαυμάσια αποτελέσματα» δήλωσε ο Δρ Hagop Atamian.
Οι ερευνητές αξιολόγησαν τα μόρια που παρήγαγε το drugAI με βάση διάφορα κριτήρια και διαπίστωσαν ότι τα αποτελέσματά του ήταν παρόμοιας ποιότητας με εκείνα από δύο άλλες κοινές μεθόδους, και σε ορισμένες περιπτώσεις καλύτερα. Διαπίστωσαν ότι τα υποψήφια φάρμακα του drugAI είχαν ποσοστό εγκυρότητας 100%.
Τα υποψήφια φάρμακα του DrugAI μετρήθηκαν επίσης ως προς την ομοιότητα φαρμάκων, ή την ομοιότητα των ιδιοτήτων μιας ένωσης με εκείνες των φαρμάκων που λαμβάνονται από το στόμα, και τα υποψήφια φάρμακα ήταν τουλάχιστον 42% και 75% υψηλότερα από άλλα μοντέλα. Επιπλέον, όλα τα μόρια που δημιουργήθηκαν με το drugAI παρουσίασαν ισχυρή συγγένεια πρόσδεσης με τους αντίστοιχους στόχους, συγκρίσιμη με εκείνες που εντοπίστηκαν μέσω παραδοσιακών προσεγγίσεων εικονικής διαλογής.
Πηγή: ygeiamou.gr
