Открытие и разработка нового препарата — одна из самых сложных задач в биологических науках. Потребуется более 10 лет и около 2,6 млрд. Долларов США, чтобы вывести на рынок средний препарат.

Основная идея создания нового лекарства заключается в создании молекулы, которая связывается с мишенью, такой как белок или ДНК, чтобы активировать или ингибировать ее биологическую функцию. Это, в свою очередь, должно привести к терапевтической пользе для пациента.

В идеале, препарат должен быть высокоселективным, что означает, что он сильно связывается с молекулой-мишенью, не затрагивая другие подобные молекулы, и что он взаимодействует с метаболической системой человека. Есть много шагов, прежде чем лекарство может появиться на рынке, в том числе тесты на токсичность, три фазы клинических испытаний и измерения для определения подходящей дозы.

В то время как многие люди были удивлены силой искусственного интеллекта, когда AlphaGo впервые избил человеческих экспертов в Go несколько лет назад, было неясно, сможет ли ИИ решить научные задачи.

Но в декабре прошлого года Google DeepMind выиграл конкурс « Критическая оценка прогнозирования структуры» с использованием новейшей системы искусственного интеллекта AlphaFold . Этот конкурс признает технологию, которая может наилучшим образом построить трехмерную структуру белка из биологических последовательностей. AlphaFold смог выиграть 25 из 43 конкурсов с высокой точностью. Для сравнения, следующая лучшая команда выиграла всего три.

Доминирующая победа AlphaFold открывает новую эру научных исследований. Такие ученые, как я , взволнованы тем, что ждет биомедицину в будущем. ИИ сделает открытие новых лекарств значительно быстрее и дешевле. Это может быть особенно полезно для пациентов с редкими медицинскими заболеваниями, для которых открытие лекарств в настоящее время не выгодно или для тех, чьи медицинские болезни в настоящее время не могут быть эффективно вылечены с помощью лекарств, таких как болезнь Альцгеймера.

Автоматизированный дизайн лекарств

Однако разработка лекарств намного сложнее, чем предсказание сворачивания белка.

Генерирующие противоборствующие сети , передовые программы искусственного интеллекта, могут стать прототипом для автоматического обнаружения наркотиков. Одна часть программы генерирует потенциальные молекулы, которые могут быть использованы в наркотиках, а другая отсеивает неквалифицированных кандидатов на основе имеющейся информации в базе данных и идеальных требований к наркотикам.

Генератор учится на ошибках, пойманных дискриминатором, до тех пор, пока дискриминатор не будет удовлетворен.

Одним из основных препятствий для автоматизированного проектирования лекарств является экстремальный размер проблемы. Типичный человеческий белок и его связывающее лекарственное средство имеют множество возможных конфигураций. Даже если компьютер перечисляет одну возможную конфигурацию в секунду, для достижения правильной конфигурации все равно потребуется больше времени, чем существовал юниверс .

Даже все компьютеры в мире, собранные вместе, не имеют достаточной мощности для автоматического создания лекарств.

Распутывая молекулы

В моей лаборатории мы решаем эти проблемы математически . Наша работа направлена ​​на уменьшение геометрической сложности отдельных белков для компьютеров. Каждый белок имеет уникальную форму, которая влияет на то, с какими молекулами он может связываться. Мы ввели три математических метода, которые значительно увеличивают способность компьютера представлять новые молекулы лекарств и то, как они могут взаимодействовать с белками в организме человека.

Например, первый метод использует дифференциальную геометрию, метод, используемый Эйнштейном для формулирования его общей теории относительности, которая объясняет пространство, время и движения звезд. Мы используем его для описания поверхностей контакта и взаимодействия белков и лекарств. Это облегчает компьютеру оценку того, как белок будет реагировать на данную молекулу лекарства .

Другой метод называется алгебраической топологией , которая обеспечивает высокий уровень абстракции взаимодействий белок-лекарство, так что компьютер может легко понять разницу между подходящим лекарством и приманкой. Другой метод, теория графов , исследует множество способов взаимодействия белка с лекарственным средством, таких как водородные связи, электростатические взаимодействия или реакции на воду. Изучая все эти возможные взаимодействия, мы можем высматривать все, что может быть вредным для здоровья человека.

Влияние наших математических подходов лучше всего связано с D3R Grand Challenges , ежегодным всемирным конкурсом, в котором участники используют свои инструменты для решения проблем, связанных с постановкой лекарств и связыванием. Мы выиграли 14 процентов конкурсов в Grand Challenge 2 в 2016 году, улучшив этот показатель до 38 процентов в Grand Challenge 3 в 2017 году. У второго победителя был коэффициент выигрыша 19 процентов.

В последнем Grand Challenge 4 предварительные результаты показывают, что у нас могут быть лучшие прогнозы в 50 процентах соревнований. Наш подход в десятки тысяч раз быстрее традиционных методов, основанных на молекулярном моделировании.

Воодушевленный этим успехом, мы вступили в партнерские отношения с Pfizer для улучшения математических инструментов искусственного интеллекта для виртуального скрининга и с Bristol-Myers Squibb для прогнозирования эффективности лекарств и оптимизации доз.

Интеграция продвинутой математики и искусственного интеллекта обеспечивает мощный способ поиска новых лекарств. Вполне возможно, что всего через десять лет ИИ станет ведущей силой для открытия новых лекарств, что приведет к созданию менее дорогих и более эффективных лекарств.