Использование ИИ серьёзно ускоряет поиск методов лечения болезни Паркинсона
Исследователи использовали методы искусственного интеллекта, чтобы значительно ускорить поиск методик лечения болезни Паркинсона.
Исследователи из Кембриджского университета (Великобритания) разработали и применили стратегию на основе искусственного интеллекта для выявления соединений, которые блокируют слипание или агрегацию альфа-синуклеина, белка, который характеризует болезнь Паркинсона.
Команда использовала методы машинного обучения для быстрого просмотра химической библиотеки, содержащей миллионы записей, и определила пять высокоэффективных соединений для дальнейшего изучения.
Болезнью Паркинсона страдают более шести миллионов человек во всем мире и, по прогнозам, к 2040 году это число утроится. В настоящее время не существует методов лечения этого заболевания. Процесс проверки больших химических библиотек на предмет потенциальных лекарств, который необходимо провести задолго до того, как потенциальные методы лечения можно будет протестировать на пациентах, требует огромных затрат времени и денег и часто оказывается безуспешным.
Используя машинное обучение, исследователи смогли ускорить процесс первоначального скрининга в десять раз и снизить стоимость в тысячу раз, а это может означать, что потенциальные методы лечения болезни Паркинсона дойдут до пациентов гораздо быстрее. Результаты опубликованы в журнале «Nature Chemical Biology».
Болезнь Паркинсона является самым быстрорастущим неврологическим заболеванием во всем мире. В Великобритании у одного из 37 живущих сегодня людей в течение жизни будет диагностирована болезнь Паркинсона. Помимо двигательных симптомов, болезнь Паркинсона может также влиять на желудочно-кишечный тракт, нервную систему, режим сна, настроение и когнитивные способности, а также может способствовать снижению качества жизни и значительной инвалидности.
Белки отвечают за важные клеточные процессы, но когда у людей диагностирован Паркинсон, эти белки выходят из истроя и вызывают гибель нервных клеток. Когда белки неправильно сворачиваются, они могут образовывать аномальные скопления, называемые тельцами Леви, которые накапливаются в клетках мозга и препятствуют их нормальному функционированию.
«Один из путей поиска потенциальных методов лечения болезни Паркинсона требует выявления небольших молекул, которые могут тормозить агрегацию альфа-синуклеина, белка, тесно связанного с заболеванием, – говорит Микеле Вендрусколо, профессор химического факультета Юсуфа Хамида Кембриджского университета, руководитель исследования. – Это чрезвычайно трудоемкий процесс, ведь даже определение ведущего кандидата для дальнейшего тестирования может занять месяцы или даже годы».
Несмотря на то, что в настоящее время проводятся клинические испытания болезни Паркинсона, ни один модифицирующий заболевание препарат не был одобрен, что отражает неспособность напрямую воздействовать на молекулярные виды, вызывающие заболевание.
Это стало серьезным препятствием в исследованиях болезни Паркинсона из-за отсутствия методов определения правильных молекулярных объектов для взаимодействия с ними. Этот технологический разрыв серьезно затруднил разработку эффективных методов лечения.
Кембриджская команда разработала метод ИИ-обучения, при котором химические библиотеки, содержащие миллионы соединений, проверяются на предмет выявления небольших молекул, которые связываются с амилоидными агрегатами и блокируют их пролиферацию.
Затем небольшое количество высокоэффективных соединений было экспериментально протестировано, чтобы выбрать наиболее мощные ингибиторы агрегации. Информация, полученная в результате этих экспериментальных анализов, была повторным образом передана обратно в модель машинного обучения, так что после нескольких итераций были выявлены высокоэффективные соединения.
«Вместо экспериментального скрининга мы проводим скрининг вычислительным методом. Используя знания, полученные в ходе первоначального скрининга с помощью нашей модели машинного обучения, мы смогли обучить модель определять конкретные области этих небольших молекул, ответственных за связывание, затем мы можем провести повторный скрининг и найти более действенные молекулы», – говорит профессор Микеле Вендрусколо.
Используя этот метод, кембриджская команда разработала соединения, нацеленные на очаги на поверхности агрегатов, которые отвечают за экспоненциальное распространение самих агрегатов. Эти соединения в сотни раз эффективнее и намного дешевле в разработке, чем те, о которых сообщалось ранее.
По словам Вендрусколо, машинное ИИ-обучение может значительно повлиять на процессы поиска препаратов, ускоряя выявление наиболее перспективных вариантов их разработки. Для специалистов это открывает возможность начала работы не над одной, а сразу над несколькими программами по поиску лекарств. Всё благодаря значительному сокращению времени и затрат.