Att hitta nya läkemedel – så kallat ”drug discovery” – är en dyr och tidskrävande uppgift. Men en typ av artificiell intelligens som kallas maskininlärning kan påskynda processen enormt och göra jobbet för en bråkdel av priset.
Mina kollegor och jag använde nyligen denna teknik för att hitta tre lovande kandidater för senolytiska läkemedel – läkemedel som bromsar åldrandet och förhindrar åldersrelaterade sjukdomar.
Senolytika fungerar genom att döda senescenta celler. Dessa är celler som är "levande" (metaboliskt aktiva), men som inte längre kan replikera, därav deras smeknamn: zombieceller.
Oförmågan att replikera är inte nödvändigtvis en dålig sak. Dessa celler har drabbats av skador på sitt DNA – till exempel hudceller som skadats av solens strålar – så att stoppa replikeringen stoppar skadan från att spridas.
Men åldrande celler är inte alltid bra. De utsöndrar en cocktail av inflammatoriska proteiner som kan spridas till närliggande celler. Under en livstid utsätts våra celler för en störtflod av angrepp, från UV-strålar till exponering för kemikalier, och så ackumuleras dessa celler. Förhöjda antal åldrande celler har varit inblandade i en olika sjukdomar, inklusive typ 2-diabetes, covid, lungfibros, artros och cancer.
Studier på labbmöss har visat att eliminera åldrande celler, med hjälp av senolytik, kan lindra dessa sjukdomar. Dessa läkemedel kan döda zombieceller samtidigt som de håller friska celler vid liv.
Runt 80 senolytika är kända, men endast två har testats på människor: en kombination av dasatinib och quercetin. Det skulle vara bra att hitta fler senolytika som kan användas vid en mängd olika sjukdomar, men det tar tio till 20 år och miljarder dollar för att ett läkemedel ska komma ut på marknaden.
Resultat på fem minuter
Jag och mina kollegor – inklusive forskare från University of Edinburgh och det spanska nationella forskningsrådet IBBTEC-CSIC i Santander, Spanien – ville veta om vi kunde träna maskininlärningsmodeller för att identifiera nya senolytiska läkemedelskandidater.
För att göra detta matade vi AI-modeller med exempel på kända senolytika och icke-senolytika. Modellerna lärde sig att skilja mellan de två och kunde användas för att förutsäga om molekyler de aldrig sett tidigare också kunde vara senolytiska.
När vi löser ett maskininlärningsproblem testar vi vanligtvis data på en rad olika modeller först eftersom vissa av dem tenderar att prestera bättre än andra. För att bestämma den bäst presterande modellen, i början av processen, separerar vi en liten del av den tillgängliga träningsdatan och håller den dold från modellen tills efter att träningsprocessen är klar. Vi använder sedan dessa testdata för att kvantifiera hur många fel modellen gör. Den som gör minst fel vinner.
Vi bestämde vår bästa modell och ställde in den för att göra förutsägelser. Vi gav den 4,340 XNUMX molekyler och fem minuter senare gav den en lista med resultat.
AI-modellen identifierade 21 topprankade molekyler som den bedömde ha stor sannolikhet att vara senolytiska. Om vi hade testat de ursprungliga 4,340 50,000 molekylerna i labbet, skulle det ha tagit minst några veckors intensivt arbete och £XNUMX XNUMX bara för att köpa föreningarna, utan att räkna kostnaderna för experimentmaskineriet och installationen.
Vi testade sedan dessa läkemedelskandidater på två typer av celler: friska och senescenta. Resultaten visade att av de 21 föreningarna kunde tre (periplocin, oleandrin och ginkgetin) eliminera åldrande celler, samtidigt som de flesta av de normala cellerna hölls vid liv. Dessa nya senolytika genomgick sedan ytterligare tester för att lära sig mer om hur de fungerar i kroppen.
Mer detaljerade biologiska experiment visade att oleandrin av de tre läkemedlen var effektivare än det bäst presterande kända senolytiska läkemedlet i sitt slag.
De potentiella återverkningarna av detta tvärvetenskapliga tillvägagångssätt – som involverar datavetare, kemister och biologer – är enorma. Givet tillräckligt med högkvalitativ data kan AI-modeller påskynda det fantastiska arbete som kemister och biologer gör för att hitta behandlingar och botemedel för sjukdomar – särskilt de med otillfredsställda behov.
Efter att ha validerat dem i åldrande celler, testar vi nu de tre kandidaterna för senolytika i mänsklig lungvävnad. Vi hoppas kunna rapportera våra nästa resultat om två år.
Om författaren
Vanessa Smer-Barreto, forskare, Institutet för genetik och molekylär medicin, University of Edinburgh
Denna artikel publiceras från Avlyssningen under en Creative Commons licens. Läs ursprungliga artikeln.
Relaterade böcker:
Kroppen håller poängen: Hjärnans själ och kropp i läkningen av trauma
av Bessel van der Kolk
Den här boken utforskar sambanden mellan trauma och fysisk och mental hälsa, och erbjuder insikter och strategier för läkning och återhämtning.
Klicka för mer info eller för att beställa
Breath: The New Science of a Lost Art
av James Nestor
Den här boken utforskar vetenskapen och praktiken av andning, och erbjuder insikter och tekniker för att förbättra fysisk och mental hälsa.
Klicka för mer info eller för att beställa
Växtparadoxen: de dolda farorna i "hälsosam" mat som orsakar sjukdomar och viktökning
av Steven R. Gundry
Den här boken utforskar kopplingarna mellan kost, hälsa och sjukdomar, och erbjuder insikter och strategier för att förbättra övergripande hälsa och välbefinnande.
Klicka för mer info eller för att beställa
Immunitetskoden: Det nya paradigmet för verklig hälsa och radikal anti-aging
av Joel Greene
Den här boken erbjuder ett nytt perspektiv på hälsa och immunitet, som bygger på principer för epigenetik och erbjuder insikter och strategier för att optimera hälsa och åldrande.
Klicka för mer info eller för att beställa
Den kompletta guiden till fasta: läka din kropp genom intermittent, varannan dag och förlängd fasta
av Dr Jason Fung och Jimmy Moore
Den här boken utforskar vetenskapen och praktiken av fasta och erbjuder insikter och strategier för att förbättra övergripande hälsa och välbefinnande.
