Sztuczna inteligencja może znacząco przyspieszyć poszukiwanie nowych zastosowań dla już istniejących leków. Naukowcy wykorzystali trzy różne modele AI do przeanalizowania prawie 7000 potencjalnych kandydatów pod kątem aktywności przeciwko Streptococcus pneumoniae. Do badań laboratoryjnych wybrano zaledwie 11 związków. Dziewięć zahamowało wzrost bakterii, a jeden z dwóch najsilniejszych kandydatów okazał się aktywny także wobec szczepów lekoopornych. Wyniki opublikowano w czasopiśmie „Advanced Science”.
Z tego artykułu dowiesz się…
- Jak sztuczna inteligencja przeanalizowała niemal 7000 potencjalnych leków pod kątem aktywności przeciwko Streptococcus pneumoniae.
- Jakie są wyniki walidacji laboratoryjnej, w której 9 z 11 wytypowanych przez AI związków zahamowało wzrost pneumokoków.
- Dlaczego szczególnie istotny jest kandydat, który wykazał aktywność także przeciwko lekoopornym szczepom S. pneumoniae.
- Jak ponowne wykorzystanie istniejących leków wspomagane przez AI może przyspieszyć poszukiwanie terapii w odpowiedzi na narastającą oporność na środki przeciwdrobnoustrojowe.
Streptococcus pneumoniae i narastający problem lekooporności
Streptococcus pneumoniae, czyli pneumokok, jest bakterią odpowiedzialną m.in. za zapalenie płuc oraz zapalenie opon mózgowo-rdzeniowych. Leczenie zakażeń bakteryjnych opiera się na antybiotykach, jednak wraz z rozwojem oporności na środki przeciwdrobnoustrojowe możliwości terapeutyczne mogą się zmniejszać. Dlatego jednym z kierunków badań jest poszukiwanie nowych substancji przeciwbakteryjnych. Alternatywą dla opracowywania cząsteczki od początku może być tzw. drug repurposing, czyli ponowne wykorzystanie istniejącego leku w nowym wskazaniu.
Podejście to pozwala skoncentrować się na substancjach, o których właściwościach i profilu bezpieczeństwa wiadomo już znacznie więcej niż w przypadku zupełnie nowych cząsteczek. Może to ograniczać czas, koszty i ryzyko związane z poszukiwaniem nowych terapii.
Trzy modele AI przeanalizowały prawie 7000 potencjalnych leków
W nowym badaniu naukowcy sprawdzili, czy sztuczna inteligencja może skutecznie wskazać istniejące związki o potencjalnej aktywności przeciwko S. pneumoniae. Do trenowania systemów wykorzystano dane dotyczące cząsteczek aktywnych wobec pneumokoków oraz większy zbiór związków nieaktywnych wobec innej bakterii lekoopornej.
Badacze zastosowali trzy odmienne podejścia obliczeniowe: zespoły drzew decyzyjnych, zespoły grafowych sieci neuronowych oraz zespoły transformatorów sekwencyjnych. Modele były wcześniej trenowane z wykorzystaniem setek milionów cząsteczek. Następnie posłużyły do przeszukania biblioteki obejmującej prawie 7000 potencjalnych leków. Istotnym elementem eksperymentu było wykorzystanie kilku modeli zamiast jednego algorytmu. Jak wskazują autorzy, różne systemy wzajemnie uzupełniały się podczas selekcji kandydatów.
Z 7000 kandydatów AI wytypowała 11 do badań laboratoryjnych
Po komputerowej analizie do eksperymentalnej walidacji skierowano 11 związków. Wyniki laboratoryjne potwierdziły aktywność przeciwbakteryjną dziewięciu z nich – były one zdolne do zahamowania wzrostu S. pneumoniae. Szczególnie istotny okazał się jeden z dwóch najsilniejszych kandydatów. Wykazywał aktywność również przeciwko lekoopornym szczepom pneumokoków.
Oznacza to, że modele AI nie tylko znacznie zawęziły liczbę substancji wymagających eksperymentalnego sprawdzenia, ale wśród wytypowanych kandydatów znalazły związki rzeczywiście wykazujące aktywność biologiczną. Nie oznacza to jednak, że wskazany związek jest już nowym lekiem na zapalenie płuc. Wyniki pokazują przede wszystkim potencjał metody przesiewowej i wymagają dalszej oceny przed ewentualnym zastosowaniem klinicznym.
AI może przyspieszyć poszukiwanie leków na oporne bakterie
Oporność na środki przeciwdrobnoustrojowe sprawia, że znalezienie nowych sposobów leczenia infekcji bakteryjnych staje się jednym z istotnych wyzwań współczesnej medycyny. W tym kontekście AI może pełnić rolę narzędzia pozwalającego ograniczyć ogromną przestrzeń potencjalnych cząsteczek do stosunkowo niewielkiej grupy najbardziej obiecujących kandydatów. W omawianym badaniu oznaczało to przejście od prawie 7000 potencjalnych substancji do 11 przeznaczonych do walidacji laboratoryjnej, z których aż dziewięć wykazało aktywność przeciwko pneumokokom.
Ponowne wykorzystanie leków wspomagane sztuczną inteligencją stało się skuteczną strategią walki z opornością na środki przeciwdrobnoustrojowe, szczególnie w przypadku patogenów, dla których niektóre aktywne cząsteczki są już znane i mogą być wykorzystywane jako zbiór danych szkoleniowych lub do precyzyjnego dostrajania – powiedział starszy autor Pedro J. Ballester, adiunkt w Imperial College London i stypendysta Wolfson Fellow w Royal Society w Wielkiej Brytanii.
Kolejny krok w wykorzystaniu AI do walki z antybiotykoopornością
Badanie pokazuje, że sztuczna inteligencja może być czymś więcej niż narzędziem do analizy danych biomedycznych. Może również wspierać podejmowanie decyzji o tym, które spośród tysięcy istniejących substancji warto skierować do dalszych eksperymentów. W przypadku S. pneumoniae strategia pozwoliła zawęzić niemal 7000 potencjalnych kandydatów do 11 związków, a następnie potwierdzić aktywność dziewięciu z nich. To obiecujący wynik dla dalszego rozwoju metod wykorzystujących AI do ponownego zastosowania leków, szczególnie w obszarze narastającej oporności na środki przeciwdrobnoustrojowe.
Główne wnioski
- Naukowcy wykorzystali trzy różne modele sztucznej inteligencji do przebadania niemal 7000 potencjalnych leków pod kątem aktywności przeciwko Streptococcus pneumoniae.
- Do walidacji eksperymentalnej wybrano 11 związków, z których 9 zahamowało wzrost pneumokoków.
- Jeden z dwóch najsilniejszych kandydatów wykazał aktywność również przeciwko lekoopornym szczepom S. pneumoniae, co wskazuje na potencjał dalszych badań.
- Badanie opublikowane w „Advanced Science” pokazuje, że połączenie różnych modeli AI może usprawnić selekcję istniejących leków do ponownego wykorzystania w walce z opornością na środki przeciwdrobnoustrojowe.
Źródło:
- https://advanced.onlinelibrary.wiley.com/doi/10.1002/advs.76959
