MIT sukūrė DI, kuris iš mažo duomenų kiekio prognozuoja molekulių elgesį: nauja kryptis vaistams

Sekite TechNaujienos Google

Naujam vaistui ar pažangiai medžiagai sukurti reikia tikrinti daugybę galimų molekulių, tačiau eksperimentai dažnai brangūs ir lėti. MIT mokslininkai lapkričio 6 d. pristatė metodą „CheMeleon“, kuris gali padėti tiksliau prognozuoti įvairias chemines savybes tada, kai apie konkretų junginį turima labai mažai duomenų. Tai nėra laboratorijos ar gydytojo pakaitalas, tačiau gali sumažinti kandidatų, kuriuos būtina išbandyti fiziškai, skaičių.

„CheMeleon“ pavadinimas primena chameleoną neatsitiktinai: sistema pritaikoma skirtingoms užduotims, pavyzdžiui, tirpumui, toksiškumui ar junginio biologiniam aktyvumui prognozuoti. Užuot kiekvienam klausimui nuo pradžių mokius naują modelį, pirmiausia naudojamas bendras chemines struktūras išmokęs neuroninis tinklas, kuris vėliau pritaikomas konkrečiai savybei.

Mokslininkų teigimu, modelis mokytas naudodamas maždaug milijono molekulių kompiuteriu apskaičiuotus aprašomuosius rodiklius. Tokių parametrų kataloge buvo apie 1 600, tarp jų – molekulinė masė ir įvairūs struktūriniai požymiai. Sistema mokosi sąsajų tarp molekulės sandaros ir šių požymių, o paskui naudoja sukauptas žinias naujiems prognozavimo uždaviniams.

Kodėl mažas duomenų kiekis yra problema

Vaistų kūrėjai dažnai nori įvertinti dar mažai ištirtą junginių grupę, tačiau išsamių bandymų atlikti kiekvienam kandidatui neįmanoma. Standartiniai DI metodai gali veikti puikiai, kai turi milžiniškus išmatuotų pavyzdžių rinkinius, bet pasidaro mažiau patikimi, kai jų trūksta. MIT komanda siekia šią ribą sumažinti, prieš tai išmokydama modelį bendrųjų cheminės struktūros principų.

Naujausi straipsniai

3 min. skaitymo • prieš 2 val

Lietuvoje apie 46 tūkst. žmonių baigė pasirengimo krizei mokymus: ką būtina žinoti šeimoms?

3 min. skaitymo • prieš 2 val

Lietuvoje 40 organizacijų išbandė gynybą nuo DI išnaudojančių įsilaužėlių: dalyvavo 200 specialistų

3 min. skaitymo • prieš 2 val

JAV kariuomenė Lenkijoje išbandė FD-1 dronus perėmėjus: ieško pigesnės apsaugos nuo atakų

Visi naujausi straipsniai →

Pasak oficialaus instituto pranešimo, lyginant 58 bandymo užduotis „CheMeleon“ parodė geriausius rezultatus tarp tyrėjų vertintų metodų. Tai jų bandymų rinkinio išvada, o ne pažadas, kad modelis bus tiksliausias bet kokiai naujai molekulei ar realiai klinikinei situacijai. MIT taip pat nurodo, kad metodas jau sulaukė kelių farmacijos įmonių susidomėjimo.

Viena įdomiausių detalių – dalyvavimas „OpenADMET“ molekulinių savybių prognozavimo konkurse. Tyrėjų duomenimis, devynios iš dvidešimties geriausių pateiktų sistemų savo procese panaudojo „CheMeleon“. Ši statistika rodo praktinį susidomėjimą modeliu, nors nebūtinai leidžia tiksliai atskirti jo vieno indėlį nuo kitų metodų.

Kuo tai svarbu farmacijos ir biotechnologijų sektoriui

Cheminių junginių paieška svarbi ne vien vaistams. Tokios prognozės gali padėti kurti baterijų, elektronikos, katalizatorių ar pramoninių procesų medžiagas. Jeigu sistema anksti atmeta silpnus kandidatus, laboratorijoms lieka daugiau resursų tiems junginiams, kurie turi didesnį potencialą. Tačiau visų svarbių savybių patikros kompiuteryje vien modelio prognozėmis pakeisti negalima.

Lietuva turi aktyvų gyvybės mokslų ir chemijos technologijų sektorių, todėl tyrimo principas aktualus ir vietos įmonėms. Mokslininkų sukurtas modelis yra atvirojo kodo ir prieinamas per „ChemProp“ programinę platformą. Tai leidžia jį išbandyti su teisėtai turimais tyrimų duomenimis, įvertinti rezultatų kokybę ir pritaikyti specifiniams laboratoriniams poreikiams.

Svarbu ir tai, kad mokslinis straipsnis aprašo prognozavimo metodą, o ne jau sukurtą, pacientams skirtą vaistą. Tyrėjai nenurodo, kad „CheMeleon“ savaime atrado patvirtintą naują gydymo būdą. Jo vertė slypi ankstyvojoje kūrimo grandyje – galimybėje pigiau ir greičiau išsirinkti prasmingus eksperimentų kandidatus.

Anksčiau portale nagrinėjome DI laboratorijų užduočių bandymą, dirbtinio intelekto taikymą smegenų tyrimams ir MIT robotų savikontrolės metodus. Šie darbai primena, kad didžiausia DI nauda dažnai slypi konkrečių tyrimų užduočių gerinime, o ne vien universaliuose pokalbių robotuose.

„CheMeleon“ nėra stebuklingas sprendimas, tačiau įdomus žingsnis link DI, kuris cheminių uždavinių sprendimui reikalauja mažiau brangių eksperimento duomenų. Jei metodas išliks patikimas platesniuose nepriklausomuose bandymuose, jis galėtų tapti vertingu įrankiu tyrėjų darbe.

Šio metodo privalumą galima paaiškinti paprastu palyginimu. Jeigu chemijos laboratorija jau turi gerai išmoktą bendrą molekulių struktūros „žodyną“, jai nereikia nuo nulio kartoti viso mokymosi, kai atsiranda klausimas apie vienos naujos savybės prognozavimą. Tačiau lygiai taip pat kaip ir kalbos modelis, chemijos algoritmas gali suklysti neįprastuose ar menkai reprezentuotuose pavyzdžiuose. Prieš priimant brangų sprendimą būtina palyginti skaičiavimus su matavimais ir nurodyti prognozės neapibrėžtumą. Toks atsakingas taikymas ypač svarbus ankstyvajame vaistų kūrime, kur išankstinis kandidato atrinkimas neturi būti painiojamas su saugumo ar veiksmingumo įrodymu.

Šaltiniai: pirminė oficiali publikacija; papildoma informacija.