PeptiVerse, o platformă bazată pe inteligența artificială, ar putea accelera descoperirea medicamentelor peptidice
Inginerii de la Penn au dezvoltat PeptiVerse, o platformă alimentată de inteligența artificială care prezice proprietățile chimice și biologice esențiale ale peptidei, șirurile de aminoacizi a căror potențial medical a fost demonstrat prin succesul medicamentelor GLP-1, utilizate pe scară largă pentru tratamentele de slăbire.
În revista Nature Communications, cercetătorii explică modul în care au antrenat PeptiVerse folosind o gamă variată de seturi de date, permițându-i să prezică proprietăți ce pot ajuta la determinarea valorii unui peptid ca potențial medicament, cum ar fi probabilitatea de a se dizolva, de a pătrunde în celule, de a evita toxicitatea și de a rămâne activ suficient timp în organism pentru a avea efect.
Deși există instrumente pentru a prezice astfel de proprietăți, acestea se concentrează adesea pe un set mai restrâns de trăsături sau pe un singur tip de peptid. PeptiVerse, în schimb, reunește multe dintre aceste predicții într-o platformă open-source, ușor accesibilă, permițând utilizatorilor să evalueze atât peptidele obișnuite, cât și versiunile chimic modificate concepute pentru a funcționa mai bine ca medicamente.
„Medicamentele peptidice au un potențial enorm, dar legarea de țintă potrivită este doar o parte din ceea ce face o moleculă utilă”, afirmă Pranam Chatterjee, Africk-Lesley Distinguished Scholar of Innovation in Engineering, Assistant Professor în Bioengineering și în Computer and Information Science, și autor senior al studiului recent.
„În descoperirea medicamentelor, unul dintre cele mai nefaste rezultate este să afli prea târziu că o moleculă promițătoare nu poate deveni de fapt un medicament”, adaugă Chatterjee. „PeptiVerse oferă cercetătorilor o modalitate de a verifica multe dintre acele proprietăți decisive mai devreme, înainte de a investi timpul și resursele necesare pentru a sintetiza și testa medicamentele candidate.”
Cercetătorii au trebuit mai întâi să adune datele care fuseseră dispersate în studii separate pentru a construi PeptiVerse. Unele seturi de date descriau dacă peptidele se dizolvă ușor, altele evaluau dacă peptidele pătrund în celule, evită deteriorarea globulelor roșii, rezistă acumulării nedorite de proteine sau rămân active în timp.
Sinteza seturilor de date a necesitat mult mai mult decât simpla salvare a acestora în același loc. „Fiecare set de date provenea dintr-un tip diferit de experiment”, explică Sophia Vincoff, studentă la doctorat în BE și co-autor al studiului. „A trebuit să înțelegem ce măsura fiecare experiment, să standardizăm datele pentru fiecare proprietate și să le organizăm astfel încât modelele de învățare automată să poată învăța din ele și să fie testate corect. Apoi, am comparat multe arhitecturi de modele pentru a găsi cea mai bună abordare pentru fiecare sarcină de predicție.”
Pentru a nu presupune că un singur model funcționează cel mai bine pentru fiecare sarcină, PeptiVerse utilizează modelul cu cele mai bune performanțe pentru fiecare proprietate. În unele cazuri, modelele mai simple au avut rezultate la fel de bune sau mai bune decât abordările mai sofisticate. În alte situații, a fost invers.
„Am vrut ca PeptiVerse să funcționeze ca un set de unelte”, afirmă Yinuo Zhang, cercetător postdoctoral în BE și primul autor al lucrării. „În loc să avem fiecare predictor separat, PeptiVerse le reunește într-o platformă care poate crește pe măsură ce devin disponibile noi date și modele.”
Majoritatea noilor instrumente computaționale sunt oferite sub formă de biblioteci sau pachete, un amalgam de coduri pe care cercetătorii le pot descărca și rula pe computerele lor, dar care necesită în general un anumit nivel de cunoștințe în programare pentru a funcționa.
PeptiVerse, în schimb, include o interfață web care permite utilizatorilor să introducă pur și simplu o secvență de peptid, să selecteze proprietăți și să primească predicții printr-un tablou de vizualizare.
Această concepție face ca platforma să fie deosebit de utilă pentru cercetătorii experimentali, cum ar fi biologii, care pot avea deja candidați peptidici pe care îi studiază și doresc o modalitate rapidă de a evalua dacă acele molecule au probabil proprietățile necesare pentru teste suplimentare.
„Vin dintr-o perspectivă biologică și sunt o persoană foarte vizuală”, spune Zhang. „Am vrut ca cercetătorii să poată vedea ce se întâmplă, nu doar să descarce un pachet Python. Interfața face ca PeptiVerse să fie un instrument cu care oamenii pot interacționa direct.”
Platforma permite utilizatorilor să vizualizeze datele utilizate pentru a antrena modelele, ajutându-i să înțeleagă cum se compară candidații lor peptidici cu moleculele care au fost deja caracterizate experimental.
„Pentru experimentatori, contează de unde provin datele”, spune Vincoff. „PeptiVerse facilitează examinarea datelor din spatele predicțiilor, ceea ce ajută utilizatorii să interpreteze ceea ce le spun modelele.”
O utilizare imediată a PeptiVerse este ca instrument de screening. În loc să sintetizeze și să testeze candidați peptidici unul câte unul, cercetătorii din mediul academic și din industrie pot folosi platforma pentru a evalua rapid care molecule par a fi cele mai promițătoare înainte de a trece în laborator.
Platforma ar putea, de asemenea, să joace un rol mai ambițios în descoperirea medicamentelor bazate pe inteligența artificială. Pe lângă evaluarea candidaților existenți, PeptiVerse poate fi asociat cu instrumente de inteligență artificială generativă care propun peptide complet noi. Această abordare a ajutat deja laboratorul lui Chatterjee să dezvolte noi inovații în designul peptidelor, inclusiv PepTune, TR2-D2, MOG-DFM și moPPIt, care folosesc predicțiile de proprietăți din PeptiVerse pentru a ghida proiectarea peptidelor cu caracteristici terapeutice dorite.
În acest nou model, PeptiVerse nu servește doar ca un filtru pentru a verifica peptidele existente, ci poate modela căutarea de noi candidați pentru medicamente. Predicțiile puternice ale sistemului permit modelelor de inteligență artificială generativă să prioritizeze candidați cu caracteristici dorite – cum ar fi legătura mai puternică, interacțiuni nespecifice reduse cu alte proteine, solubilitate mai bună, permeabilitate mai mare și toxicitate mai scăzută – înainte de a selecta moleculele specifice pentru sinteză și testare în lumea reală.
„Predicțiile de proprietăți devin parte din căutare în sine”, afirmă Chatterjee. „În loc să evaluăm peptidele doar după ce sunt generate, putem folosi acele predicții pentru a ghida modelele de inteligență artificială generativă către molecule cu caracteristicile dorite chiar de la început.”
Cercetătorii au proiectat, de asemenea, PeptiVerse pentru a continua să evolueze. Pe măsură ce devin disponibile mai multe date despre peptide, platforma poate fi actualizată cu seturi de date noi, modele îmbunătățite și proprietăți suplimentare. Acest lucru este important deoarece unele proprietăți ale peptidei sunt încă mai greu de prezis decât altele, în mare
