1200-mal schneller! Das MIT entwickelt eine neue Generation der KI für die Arzneimittelforschung und -entwicklung, um das alte Modell zu überwinden

​Wie wir alle wissen, ist das gesamte Universum mit unzähligen Molekülen gefüllt.

Wie viele dieser Moleküle haben potenziell arzneimittelähnliche Eigenschaften und können zur Entwicklung lebensrettender Medikamente genutzt werden? Ist es eine Million? Oder Milliarden? Oder Billionen?

Die Antwort lautet: 10 hoch 60.

Eine solch große Zahl hat den Fortschritt der Forschung und Entwicklung neuer Medikamente erheblich verzögert. Für sich schnell ausbreitende Krankheiten wie COVID-19 gibt es derzeit kein spezifisches Medikament. Dies liegt auch daran, dass die Arten und Mengen der Moleküle zu groß sind Der Rechenbereich geht weit über das hinaus, was bestehende Arzneimitteldesignmodelle leisten können.

Ein Forschungsteam am MIT glaubt nicht an dieses Übel. Es klappt nicht, oder? Dann ist es doch in Ordnung, das Vorgängermodell zu beschleunigen, oder?

Diese Beschleunigung beträgt das 1200-fache. ​

Sie untersuchten ein geometrisches Deep-Learning-Modell namens „EquiBind“, das 1.200-mal schneller ist als das bisher schnellste rechnerische Molekular-Docking-Modell „QuickVina2-W“, und kombinierten erfolgreich arzneimittelähnliche Moleküle mit Proteinen Scheitern einer Medikamentenstudie.

Das Forschungspapier wird auf der ICML 2022 veröffentlicht.

Erste Einführung in „EquiBind“

„EquiBind“ basiert auf seinem Vorgänger „EquiDock“. „EquiDock“ nutzt die vom verstorbenen MIT-KI-Forscher Octavian-Eugen Ganea entwickelte Technologie, um die beiden Arten von Proteinen zu kombinieren. Ganea ist außerdem Co-Autorin des „EquiBind“-Artikels.

Bevor mit der Arzneimittelentwicklung begonnen werden kann, müssen Forscher vielversprechende wirkstoffähnliche Moleküle finden, die während des Arzneimittelentwicklungsprozesses korrekt an bestimmte Proteinziele binden oder „andocken“ können.

Nach erfolgreichem Andocken an das Protein kann die Kombination des Arzneimittels (Ligand) die Funktion des Proteins beeinträchtigen. Geschieht dies mit einem der lebenswichtigen Proteine ​​der Bakterien, kann es die Bakterien abtöten und so den Körper schützen.

Der Prozess der Arzneimittelentwicklung kann jedoch sowohl aus wirtschaftlicher als auch aus rechnerischer Sicht kostspielig sein. Der Forschungs- und Entwicklungsprozess kann bis zur endgültigen Zulassung und Prüfung durch die FDA mehr als zehn Jahre dauern.

Noch wichtiger ist, dass 90 % der Medikamente nach Versuchen am Menschen scheitern, weil sie keine Wirkung zeigen oder zu viele Nebenwirkungen haben.

Eine Möglichkeit für Pharmaunternehmen, diese Kosten auszugleichen, besteht also darin, den Preis des Medikaments zu erhöhen, das sie letztendlich erfolgreich entwickeln.

Steigen Sie ein in „EquiBind“

Derzeit läuft der Berechnungsprozess zum Auffinden vielversprechender Wirkstoffkandidatenmoleküle wie folgt ab: Die meisten der fortschrittlichsten Rechenmodelle basieren auf einer großen Anzahl von Kandidatenproben, gekoppelt mit Bewertung, Rangfolge und Feinabstimmung. Tuning usw. Methode, um die beste „Übereinstimmung“ zwischen Ligand und Protein zu erhalten.

Hannes Stärk, ein Doktorand im ersten Jahr an der Fakultät für Elektrotechnik und Informatik des MIT und Hauptautor dieser Arbeit, verglich die typische „Ligand-Protein“-Bindungsmethode mit dem „Versuch, einen Schlüssel in ein Schlüsselloch zu stecken“. „Gesperrt“.

Typische Models verbringen Zeit damit, jede „Passform“ zu bewerten, bevor sie das beste Modell auswählen. Im Gegensatz dazu muss „EquiBind“ die Zieltasche des Proteins nicht im Voraus kennen und kann die genaue Schlüsselposition in nur einem Schritt, dem sogenannten „Blind Docking“, direkt vorhersagen.

Im Gegensatz zu den meisten Modellen, die mehrere Versuche erfordern, um die günstige Position eines Liganden in einem Protein zu finden, verfügt „EquiBind“ bereits über integrierte Funktionen zum geometrischen Denken, die dem Modell helfen, die zugrunde liegenden physikalischen Eigenschaften des Moleküls zu lernen und erfolgreich zu verallgemeinern. erfolgreich zu verallgemeinern, um bessere Vorhersagen zu treffen, wenn auf neue oder nicht erkennbare Daten gestoßen wird.

Die Veröffentlichung dieser Ergebnisse erregte schnell die Aufmerksamkeit von Branchenexperten, darunter Pat Walters, Chief Data Officer von Relay Therapeutics.

Walters schlug vor, dass das Forschungsteam sein Modell an einem bestehenden Medikament und Protein ausprobieren könnte, das bei Lungenkrebs, Leukämie und Magen-Darm-Tumoren eingesetzt wird. Obwohl es den meisten herkömmlichen Docking-Methoden nicht gelingt, Liganden an diese Proteine ​​erfolgreich zu binden, ist EquiBind erfolgreich.

Walters sagte: „EquiBind bietet eine einzigartige Lösung für das Andockproblem, indem es Posenvorhersage und Bindungsstellenidentifizierung kombiniert.“

„Und diese Methode nutzt Informationen aus Tausenden veröffentlichten Kristallstrukturen.“ Wir waren überrascht, dass EquiBind es schaffen konnte „in der richtigen Tasche, wenn alles andere völlig falsch war oder nur eines richtig war“, sagte Stärk. Wir sind sehr begeistert von diesem Ergebnis! , und dieses Feedback hat dem Team geholfen, über den praktischen Einsatz des Berechnungsmodells nachzudenken. Stärk hofft immer noch, beim kommenden ICML im Juli eine andere Perspektive zu finden.

Stärk sagte: „Das Feedback, auf das ich mich am meisten freue, sind Vorschläge, wie wir das Modell weiter verbessern können.“

„Ich würde gerne mit diesen Forschern diskutieren, ihnen sagen, was meiner Meinung nach die nächsten Schritte sein könnten, und sie ermutigen, weiterzumachen und das Modell in ihren eigenen Arbeiten und Methoden zu verwenden. Wir haben bereits viele Forscher kontaktiert, um uns zu fragen.“ Wird dieses Modell für ihr Problem nützlich sein?

Darüber hinaus ist dieser Artikel auch eine Erinnerung an Octavian-Eugen Gane, der entscheidende Beiträge zur geometrischen maschinellen Lernforschung leistete und viele Studenten großzügig betreute. Er war ein herausragender Gelehrter mit einer bescheidenen Seele .

In der ersten Hälfte dieses Jahres hat er uns während einer Wandertour für immer verlassen.

Das obige ist der detaillierte Inhalt von1200-mal schneller! Das MIT entwickelt eine neue Generation der KI für die Arzneimittelforschung und -entwicklung, um das alte Modell zu überwinden. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!