1200 fois plus rapide ! Le MIT développe une nouvelle génération d'IA pour la recherche et le développement de médicaments pour vaincre l'ancien modèle

​Comme nous le savons tous, l’univers entier est rempli d’innombrables molécules.

Combien de ces molécules ont des propriétés potentiellement médicamenteuses et peuvent être utilisées pour développer des médicaments qui sauvent des vies ? Est-ce un million ? Ou des milliards ? Ou des milliards ?

La réponse est : 10 à la puissance 60.

Un nombre aussi énorme a considérablement retardé les progrès de la recherche et du développement de nouveaux médicaments. Pour les maladies à propagation rapide telles que le COVID-19, il n'existe actuellement aucun médicament spécifique. Cela est également dû au fait que les types et les quantités de molécules sont trop grandes. au-delà de ce que les modèles de conception de médicaments existants peuvent offrir. La plage de calcul.

Une équipe de recherche du MIT ne croit pas à ce mal. Cela ne fonctionne pas, n'est-ce pas ? Alors c'est bien d'accélérer le modèle précédent, n'est-ce pas ?

Cette accélération est 1200 fois. ​

Ils ont étudié un modèle géométrique d'apprentissage profond appelé « EquiBind », qui est 1 200 fois plus rapide que le précédent modèle d'amarrage moléculaire informatique le plus rapide « QuickVina2-W », et a combiné avec succès des molécules de type médicament avec des protéines, réduisant ainsi les risques et les coûts. échec des essais de médicaments.

Le document de recherche sera publié à l'ICML 2022.

Première introduction à "EquiBind"

"EquiBind" est développé sur la base de son prédécesseur "EquiDock". "EquiDock" utilise la technologie développée par le regretté chercheur en IA du MIT Octavian-Eugen Ganea pour combiner les deux types de protéines. Ganea est également co-auteur de l'article « EquiBind ».

Avant que le développement de médicaments puisse commencer, les chercheurs doivent trouver des molécules prometteuses de type médicament qui peuvent se lier correctement ou « s'arrimer » à des cibles protéiques spécifiques au cours du processus de découverte de médicaments.

Après un amarrage réussi avec la protéine, la combinaison du médicament (ligand) peut empêcher la protéine de fonctionner. Si cela arrive à l’une des protéines essentielles de la bactérie, cela peut tuer la bactérie et ainsi protéger l’organisme.

Cependant, le processus de découverte de médicaments peut être coûteux, tant d'un point de vue économique que informatique. Le processus de R&D coûte souvent des milliards de dollars et peut prendre plus de dix ans de développement avant l'approbation et les tests finaux de la FDA.

Plus important encore, 90 % des médicaments échouent après des essais sur des humains parce qu'ils n'ont aucun effet ou ont trop d'effets secondaires.

Ainsi, l’un des moyens par lesquels les sociétés pharmaceutiques peuvent récupérer ces coûts est d’augmenter le prix du médicament qu’elles développent avec succès.

Entrez dans « EquiBind »

Actuellement, le processus informatique permettant de trouver des molécules candidates prometteuses est le suivant : la plupart des modèles informatiques les plus avancés s'appuient sur un grand nombre d'échantillons candidats, couplés à une notation, un classement, une analyse fine. réglage, etc. méthode pour obtenir la meilleure « correspondance » entre le ligand et la protéine.

Hannes Stärk, étudiant de première année au département de génie électrique et d'informatique du MIT et auteur principal de cet article, a comparé la méthode typique de liaison « ligand-protéine » à « essayer de mettre une clé dans un trou de serrure ». "Fermé".

Les modèles typiques passent du temps à noter chaque « ajustement » avant de sélectionner le meilleur modèle. En revanche, « EquiBind » ne nécessite pas de connaissance préalable de la poche cible de la protéine et peut prédire directement la position clé précise en une seule étape. C'est ce qu'on appelle « l'amarrage aveugle ».

Contrairement à la plupart des modèles qui nécessitent plusieurs tentatives pour trouver la position favorable d'un ligand dans une protéine, "EquiBind" possède déjà des capacités de raisonnement géométrique intégrées qui aident le modèle à apprendre les propriétés physiques sous-jacentes de la molécule et à généraliser avec succès. réussir à généraliser pour faire de meilleures prédictions lorsque vous rencontrez des données nouvelles ou méconnaissables.

La publication de ces résultats a rapidement attiré l'attention des professionnels de l'industrie, notamment Pat Walters, directeur des données de Relay Therapeutics.

Walters a suggéré que l'équipe de recherche pourrait essayer son modèle sur un médicament et une protéine existants utilisés dans le cancer du poumon, la leucémie et les tumeurs gastro-intestinales. Bien que la plupart des méthodes d'amarrage traditionnelles ne parviennent pas à lier avec succès les ligands sur ces protéines, EquiBind réussit.

Walters a déclaré : « EquiBind fournit une solution unique au problème d'amarrage en combinant la prédiction de pose et l'identification du site de liaison. »

« Et cette approche exploite les informations provenant de milliers de structures cristallines publiées. » Nous avons été surpris qu'EquiBind ait pu la mettre en place. dans la bonne poche alors que tout le reste était complètement faux ou qu'un seul avait raison », a déclaré Stärk. Nous sommes très enthousiasmés par ce résultat ! professionnels, et ces commentaires ont aidé l'équipe à envisager l'utilisation pratique du modèle de calcul, Stärk espère toujours trouver une perspective différente lors de la prochaine ICML en juillet.

Stärk a déclaré : "Les commentaires que j'attends le plus avec impatience sont des suggestions sur la manière d'améliorer encore le modèle

."

"J'aimerais discuter avec ces chercheurs, leur dire ce que je pense que les prochaines étapes peuvent être et les encourager à aller de l'avant et à utiliser le modèle dans leurs propres articles et méthodes. De nombreux chercheurs nous ont déjà contactés pour nous demander Ce modèle sera-t-il utile pour résoudre leur problème ?

De plus, cet article est également à la mémoire d'Octavian-Eugen Gane, qui a apporté des contributions cruciales à la recherche sur l'apprentissage automatique géométrique et a généreusement encadré de nombreux étudiants. Il était un érudit exceptionnel avec une âme humble. .

Au premier semestre de cette année, il nous a quitté pour toujours lors d'une randonnée.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!