Cercetătorii de la Texas A&M dezvoltă instrumente AI pentru descoperirea medicamentelor anti-tuberculoză
Când cercetătorii testează medicamentele potențiale împotriva tuberculozei, se confruntă adesea cu o multitudine de opțiuni. Unele par promițătoare, dar ulterior se dovedesc a fi căi costisitoare fără rezultat.
„Putem obține mii de compuși dintr-un screening și apoi trebuie să ne decidem pe care să lucrăm?” a declarat James Sacchettini, Ph.D., titular al scaunului Rodger J. Wolfe-Welch Foundation în Știință, cercetător la Texas A&M AgriLife Research și profesor în cadrul Departamentului de Biochimie și Biofizică și Departamentului de Chimie al Colegiului de Agricultură și Științe ale Vieții de la Texas A&M.
Laboratorul său a dezvoltat recent un instrument de inteligență artificială (AI) pentru a ajuta oamenii de știință să-și concentreze eforturile după screeningul inițial. Echipa folosește, de asemenea, AI pentru a organiza ani de date colaborative într-o formă căutabilă.
„Ce informații putem obține care ne ajută cu adevărat să luăm decizii? Dacă putem folosi AI pentru a scurta timpul necesar pentru a trece de la o idee la un tratament real, ar fi minunat.”
James Sacchettini, Ph.D.
Un inamic persistent
Lucrările laboratorului cu AI au o semnificație suplimentară datorită problemei pe care încearcă să o rezolve. Potrivit Organizației Mondiale a Sănătății, tuberculoza este cea mai mortală boală infecțioasă din lume. Aceasta a fost prezentă în umanitate timp de mii de ani. Terapia standard durează luni, iar cazurile care implică tulpini rezistente la medicamente sau co-infecții cu HIV durează și mai mult.
Majoritatea celor afectați trăiesc în regiuni cu venituri reduse, unde timpii lungi de tratament și îngrijirea limitată fac boala deosebit de greu de controlat.
În SUA, un focar din New York în anii 1990 a fost un semnal de alarmă.
„Oamenii au crezut că ‘oh, am vindecat asta cu mulți ani în urmă, nu-i așa?’ Apoi s-a dovedit că Rikers Island era complet acoperit de tuberculoză. Oamenii ieșeau din închisoare și se urcau în lift cu alți șase oameni, iar până ajungeau la etajul șase, cinci dintre ei erau infectați.”
Căutarea unor tratamente mai bune prezintă multe provocări. Bacteriile sunt acoperite cu un strat gros și ceros care împiedică majoritatea medicamentelor să ajungă la țintele lor din interiorul celulelor. De asemenea, bacteriile cresc lent, astfel încât experimentele durează mai mult.
„Pentru a efectua un experiment privind tuberculoza durează uneori luni, pe când cu stafilococi sau streptococi poate dura o săptămână”, a spus Sacchettini. „Aceasta este parte din motivul pentru care procesul de descoperire a medicamentelor a fost relativ lent. Este un domeniu perfect pentru a lucra cu AI.”
Construirea unei fundații mai întâi
Înainte ca instrumentele AI să fie implementate, cercetarea datelor în laboratoarele academice se desfășura adesea pe unități de rețea, în prezentări și în memoria celui care a realizat experimentul.
Laboratorul lui Sacchettini a construit DAIKON, o platformă open-source publicată în 2023, pentru a urmări o țintă de medicament de la genă la ani de muncă chimică într-un singur loc. Tuberculosis Drug Accelerator, sprijinit de Fundația Gates, utilizează DAIKON în întreaga sa parteneriat de laboratoare și companii. Noile instrumente se integrează direct în aceasta, inclusiv sistemele de AI recente ale laboratorului lui Sacchettini.
„Nu ne așteptăm ca AI să ne ofere exact răspunsul corect. Dar poate să ne spună ce să nu lucrăm, ceea ce ne informează despre ce ar trebui să lucrăm. Și chiar este un economisitor de timp considerabil.”
Reducerea falselor pozitive în screeningul inițial
La începutul dezvoltării medicamentelor, cercetătorii testează un număr mare de compuși împotriva unei proteine de interes. Unii par să funcționeze, dar de fapt nu o fac. Alții interferează cu testul în sine.
„Aceste ‘molecule deranjante’ ne costă atât de mult timp”, a spus Sacchettini. „Unul dintre obiective este să le identificăm pentru a nu pierde luni, ani sau sute de mii de dolari lucrând la ele.”
Pentru a rezolva această problemă, echipa lui Sacchettini a dezvoltat un model AI pentru a identifica acele semnale false.
Modelul echipei, numit CAGE-Fusion, învață din datele de screening publicate pentru a sorta compușii în patru tipuri de probleme: compuși care se aglomerează, compuși care păcălesc semnalul chimic al testului, compuși care reacționează în loc să se lege și compuși care se lipesc de multe ținte în loc de una singură. Studiul publicat a fost finanțat de Fundația Gates și Fundația Welch.
Având un compus deranjant și un compus curat, modelul clasifică compusul deranjant ca fiind mai suspect în aproximativ 94% din cazuri. Este mai eficient în unele categorii decât în altele: compușii care reacționează sunt cei mai ușor de depistat, iar compușii care se lipesc de multe ținte sunt cei mai dificili. În cadrul DAIKON, modelul rulează automat pe datele de testare primite, semnalizând problemele probabile înainte ca un compus să ajungă în etape mai costisitoare.
Chemistii nu trebuie să ia rezultatele de bună seamă.
„Modelul poate să te ghideze prin proces și să îți arate care regiuni ale moleculelor au fost considerate problematice”, a spus Siddhant Rath, un cercetător în cadrul AgriLife Research în laboratorul lui Sacchettini, care a condus efortul.
Identificarea compușilor înșelători devreme este doar o parte din puzzle. Descoperirea medicamentelor se desfășoară pe multe etape în cadrul mai multor instituții. Laboratorul lui Sacchettini folosește, de asemenea, AI pentru a ajuta TBDA să valorifice mai bine cunoștințele sale comune.
Transformarea munților de rezultate în cunoștințe comune
Rath și colega sa Saswati Panda, tot din laboratorul lui Sacchettini, au dezvoltat un sistem AI pentru a sorta datele TBDA pentru a facilita utilizarea acestora. Proiectul a primit finanțare de la Fundația Gates, Institutul Național de Sănătate și Fundația Welch.
Documentația anilor de activitate a consorțiului include multe structuri moleculare.
„În cercetarea mea, aș putea da peste o moleculă și să mă gândesc: ‘Știu că am mai văzut asta înainte’, dar nu exista o modalitate ușoară de a o găsi”, a spus Sacchettini.
Sistemul adună datele TBDA de-a lungul procesului de descoperire a medicamentului. O moleculă poate fi acum urmărită vizual în cadrul proiectelor, inclusiv unde munca a întâmpinat un impas. Oamenii de știință pot interoga datele printr-o interfață de
