1200 kali lebih pantas! MIT membangunkan generasi baharu penyelidikan dadah dan pembangunan AI untuk mengalahkan model lama

​Seperti yang kita semua tahu, seluruh alam semesta dipenuhi dengan molekul yang tidak terkira banyaknya.

Berapa banyak molekul ini mempunyai potensi sifat seperti ubat yang boleh digunakan untuk membangunkan ubat yang menyelamatkan nyawa? Adakah ia satu juta? Atau berbilion-bilion? Atau trilion?

Jawapannya ialah: 10 hingga kuasa ke-60.

Jumlah yang begitu besar telah melambatkan kemajuan penyelidikan dan pembangunan ubat baru Untuk penyakit yang merebak dengan pantas seperti COVID-19, pada masa ini tiada ubat khusus Ini juga kerana jenis dan kuantiti molekulnya terlalu besar, jauh melebihi apa yang tersedia pada masa ini Julat pengiraan yang boleh dibuat oleh model reka bentuk ubat.

Pasukan penyelidik di MIT tidak mempercayai kejahatan ini. Ia tidak berfungsi, bukan?

Pecutan ini adalah 1200 kali. ​

Mereka mempelajari model pembelajaran mendalam geometri yang dipanggil "EquiBind", iaitu 1200 kali lebih pantas daripada model dok molekul pengiraan terpantas sebelumnya "QuickVina2-W", dan berjaya menggabungkan molekul seperti dadah Mengikat kepada protein mengurangkan peluang dan kos kegagalan percubaan dadah.

Kertas penyelidikan akan diterbitkan di ICML 2022.

Pengenalan pertama kepada "EquiBind"

"EquiBind" dibangunkan berdasarkan pendahulunya "EquiDock", yang menggunakan MIT lewat Teknologi yang dibangunkan oleh Octavian -Eugen Ganea, seorang penyelidik AI di kolej itu, menggabungkan dua protein. Ganea juga merupakan pengarang bersama kertas kerja "EquiBind".

Sebelum pembangunan ubat boleh dimulakan, penyelidik mesti mencari molekul seperti ubat yang menjanjikan yang boleh mengikat atau "berlabuh" dengan betul pada sasaran protein tertentu semasa proses penemuan ubat.

Setelah berjaya dok dengan protein, menggabungkan dadah (ligan) boleh menghalang protein daripada berfungsi. Jika ini berlaku kepada salah satu protein penting bakteria, ia boleh membunuh bakteria dan dengan itu melindungi badan.

Walau bagaimanapun, proses penemuan ubat boleh menjadi mahal, kedua-duanya dari perspektif ekonomi dan pengiraan Proses penyelidikan dan pembangunan selalunya menelan belanja berbilion dolar, dan akan mengambil masa lebih daripada 10 tahun sebelum kelulusan akhir oleh FDA. Sepuluh tahun pembangunan dan ujian.

Lebih penting, 90% ubat gagal selepas ujian manusia kerana ia tidak memberi kesan atau mempunyai terlalu banyak kesan sampingan.

Jadi salah satu cara syarikat farmaseutikal memulihkan kos ini adalah dengan menaikkan harga ubat yang akhirnya berjaya mereka bangunkan.

Ke dalam "EquiBind"

Pada masa ini, proses pengiraan untuk mencari molekul ubat calon yang menjanjikan adalah seperti berikut: Kebanyakan model pengiraan terkini bergantung pada sejumlah besar sampel Calon, ditambah dengan kaedah seperti pemarkahan, pemeringkatan dan penalaan halus, untuk mendapatkan "padanan" terbaik antara ligan dan protein.

Hannes Stärk, pelajar siswazah tahun pertama di Jabatan Kejuruteraan Elektrik dan Sains Komputer MIT dan pengarang utama kertas ini, menyamakan kaedah pengikatan "ligan-protein" biasa dengan "cuba memasukkan kunci ke dalam sesuatu. Banyak lubang kunci di dalam kunci."

Model biasa menghabiskan masa untuk menilai setiap "kebaikan kesesuaian" sebelum memilih model terbaik. Sebaliknya, "EquiBind" tidak memerlukan pengetahuan awal tentang poket sasaran protein dan boleh meramalkan kedudukan kunci yang tepat dalam hanya satu langkah Ini dipanggil "dok buta."

Tidak seperti kebanyakan model yang memerlukan beberapa percubaan untuk mencari kedudukan ligan yang menguntungkan dalam protein, "EquiBind" sudah mempunyai keupayaan penaakulan geometri terbina dalam yang membantu model mempelajari sifat fizikal asas molekul dan berjaya untuk meringkaskan. Ini membolehkan generalisasi yang berjaya untuk membuat ramalan yang lebih baik apabila menemui data baharu atau tidak dapat dikenali.

Pengeluaran penemuan ini dengan cepat menarik perhatian profesional industri, termasuk ketua pegawai data Relay Therapeutics, Pat Walters.

Walters mencadangkan bahawa pasukan itu boleh mencuba model mereka pada ubat dan protein sedia ada yang digunakan dalam kanser paru-paru, leukemia dan tumor gastrousus. Walaupun kebanyakan kaedah dok tradisional gagal mengikat ligan pada protein ini, EquiBind berjaya.

Walters berkata: "EquiBind menyediakan penyelesaian unik untuk masalah dok dengan menggabungkan ramalan pose dan pengenalan tapak yang mengikat." "Dan pendekatan ini memanfaatkan data daripada "Kami terkejut apabila semua yang lain." pendekatan adalah salah sama sekali atau hanya satu yang betul," kata Stärk. EquiBind dapat memasukkannya ke dalam poket kanan, dan kami sangat teruja untuk melihat hasil ini! 》

Memperkasakan “EquiBind”

Walaupun "EquiBind" telah menerima sejumlah besar komen daripada profesional industri itu telah membantu pasukan mempertimbangkan penggunaan praktikal untuk model pengiraan, tetapi Stärk masih berharap untuk mencari perspektif yang berbeza pada ICML yang akan datang pada bulan Julai.

"Maklum balas yang paling saya nantikan ialah cadangan tentang cara menambah baik lagi model," kata Stärk

"Saya ingin berbincang dengan penyelidik ini, memberitahu mereka apa yang saya fikir langkah seterusnya boleh dilakukan, dan menggalakkan mereka untuk bergerak ke hadapan dan menggunakan model dalam kertas kerja dan kaedah mereka sendiri. Kami telah dihubungi oleh ramai penyelidik, Tanya kami sama ada model ini berguna untuk masalah mereka 》

Selain itu, artikel ini juga memberi penghormatan kepada Octavian-Eugen Gane, yang memberi sumbangan penting dan murah hati kepada penyelidikan pembelajaran mesin geometri ulama yang cemerlang dengan jiwa yang rendah hati.

Pada separuh pertama tahun ini, dia meninggalkan kami selama-lamanya semasa perjalanan mendaki.

Atas ialah kandungan terperinci 1200 kali lebih pantas! MIT membangunkan generasi baharu penyelidikan dadah dan pembangunan AI untuk mengalahkan model lama. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!