Od odkrycia obiecującej cząsteczki do pojawienia się gotowego leku na rynku mija zwykle ponad dekada. Jednym z największych wyzwań współczesnej farmacji pozostaje czasochłonne i kosztowne testowanie potencjalnych kandydatów na leki. Naukowcy ze Szwecji opracowali jednak model sztucznej inteligencji, który może znacząco skrócić ten proces. Nowa technologia przyspiesza symulacje molekularne ponad 10 000 razy, zachowując zgodność z prawami fizyki. W przyszłości może to oznaczać szybsze opracowywanie nowych terapii oraz skuteczniejsze identyfikowanie najbardziej obiecujących cząsteczek.
Z tego artykułu dowiesz się…
- Jak nowy model sztucznej inteligencji TITO przyspiesza symulacje molekularne i dlaczego może mieć znaczenie dla przyszłości farmacji,
- Dlaczego tradycyjne symulacje wykorzystywane w odkrywaniu leków są tak czasochłonne i kosztowne,
- W jaki sposób sztuczna inteligencja potrafi przewidywać zachowanie cząsteczek, których wcześniej nie analizowała,
- Jakie korzyści dla pacjentów i przemysłu farmaceutycznego może przynieść szybsza identyfikacja kandydatów na nowe leki.
Dlaczego opracowanie nowych leków trwa tak długo?
Proces odkrywania leków należy do najbardziej złożonych przedsięwzięć współczesnej nauki. Od pierwszego pomysłu do dopuszczenia terapii do stosowania klinicznego często mija ponad dziesięć lat. Znaczna część tego czasu przypada na etap przedkliniczny, podczas którego badacze analizują tysiące potencjalnych związków chemicznych, próbując wyłonić te najbardziej obiecujące. Tylko niewielki odsetek kandydatów przechodzi do kolejnych faz badań.
Aby przewidzieć, jak cząsteczki będą się zachowywać, naukowcy wykorzystują między innymi symulacje komputerowe odwzorowujące ruch atomów i ich wzajemne oddziaływania. Problem polega na tym, że tradycyjne metody są niezwykle wymagające obliczeniowo.
Dynamika molekularna – złoty standard z istotnym ograniczeniem
Przez dekady podstawowym narzędziem badaczy była dynamika molekularna. Metoda polega na obliczaniu sił działających pomiędzy wszystkimi atomami w cząsteczce i przesuwaniu ich krok po kroku w czasie. Aby zachować stabilność obliczeń, każdy krok musi obejmować zaledwie około jednej femtosekundy, czyli 10⁻¹⁵ sekundy. To ogromne wyzwanie.
Procesy biologiczne istotne z punktu widzenia projektowania leków zachodzą bowiem w znacznie dłuższych skalach czasowych – od nanosekund po milisekundy. Oznacza to konieczność wykonywania miliardów kolejnych obliczeń. W efekcie symulacje mogą wymagać ogromnych zasobów obliczeniowych oraz wielu dni, tygodni, a nawet miesięcy pracy.
AI zmienia zasady gry
Sztuczna inteligencja coraz śmielej wkracza do świata biologii obliczeniowej. Uczenie maszynowe pozwala już dziś usprawniać poszczególne etapy obliczeń, a modele generatywne mogą przewidywać prawdopodobne struktury molekularne bez konieczności śledzenia każdego ruchu atomów. Naukowcy z Uniwersytetu Technologicznego Chalmersa i Uniwersytetu w Göteborgu poszli jednak o krok dalej.
Opracowali model sztucznej inteligencji, który nie tylko przewiduje struktury cząsteczek, ale również uczy się zasad rządzących ich ewolucją w czasie. Dzięki temu potrafi przewidywać przyszłe zachowanie cząsteczek bez wykonywania pełnych, tradycyjnych symulacji.
Symulacje szybsze ponad 10 000 razy
Nowy model okazał się ponad 10 000 razy szybszy od klasycznych metod dynamiki molekularnej. Co istotne, uzyskane wyniki pozostają zgodne z obowiązującymi prawami fizyki.
Nasz model sztucznej inteligencji wyróżnia się tym, że uczy się on dynamiki procesów zachodzących w dłuższych skalach czasowych. Dostarcza on nie tylko wglądu w kształty przybierane przez cząsteczki, ale także w to, jak szybko i jakimi ścieżkami zachodzą te przemiany. Z tego, co wiemy, po raz pierwszy udało się to zrobić w sposób, który sprawdza się w przypadku wielu różnych cząsteczek – mówi Simon Olsson, kierownik badań i adiunkt w Katedrze Informatyki i Inżynierii na Uniwersytecie Technologicznym Chalmersa i Uniwersytecie w Göteborgu.
Oznacza to, że badacze mogą szybciej analizować ogromne zbiory potencjalnych kandydatów na leki, ograniczając liczbę kosztownych eksperymentów laboratoryjnych.
Ponad 13 tysięcy cząsteczek pod lupą
Aby sprawdzić skuteczność modelu, naukowcy przetestowali go na imponującym zbiorze danych. Analiza objęła:
- ponad 12 500 cząsteczek organicznych zawierających między innymi atomy węgla, wodoru, azotu i tlenu,
- ponad 1 000 krótkich peptydów zbudowanych z aminokwasów.
Model nauczył się charakterystycznych wzorców zachowania tych cząsteczek. Na tej podstawie był następnie w stanie przewidywać zachowanie nowych układów molekularnych.
Trenujemy model, wykorzystując symulowane przykłady ruchu atomów w cząsteczce w czasie. Na podstawie tych sekwencji model uczy się podstawowych reguł rządzących ruchem cząsteczek i może następnie przewidywać, jak będą zachowywać się nowe cząsteczki – mówi Simon Olsson.
AI przewiduje „molekularną przyszłość”
Autorzy badania porównują działanie modelu do oglądania filmu. Klasyczna dynamika molekularna przypomina analizowanie każdej pojedynczej klatki po kolei. Nowy system sztucznej inteligencji potrafi natomiast „przeskakiwać” pomiędzy kluczowymi scenami, przewidując przebieg wydarzeń pomiędzy nimi. Jednym z najbardziej zaskakujących odkryć było to, że model trenowany na danych obejmujących zaledwie dziesiątki nanosekund potrafił przewidywać procesy zachodzące nawet tysiąckrotnie dłużej.
Istnieje pewien wzorzec, który model pomaga nam zidentyfikować. Model sztucznej inteligencji opiera się na szeregu przykładów, w których obserwuje jedynie to, co dzieje się w ciągu dziesiątek nanosekund. Niemniej jednak potrafi przewidywać właściwości i zmiany w cząsteczkach, które zachodzą w okresie tysiąckrotnie dłuższym. Zatem, z pomocą sztucznej inteligencji, możemy określić, co prawdopodobnie wydarzy się w „molekularnej przyszłości”. Potrafi przewidzieć, jak zmieniają się cząsteczki, mimo że nigdy nie widziała tego procesu – mówi Simon Olsson.
TITO – nowy model sztucznej inteligencji
Technologia opracowana przez szwedzkich badaczy nosi nazwę TITO (Transferable Implicit Transfer Operators). To głębokie, generatywne środowisko modelowania, które uczy się statystycznych reguł rządzących ruchem cząsteczek bezpośrednio z danych symulacyjnych. Jego najważniejszą zaletą jest zdolność do generalizacji.
Model nie zapamiętuje konkretnych układów molekularnych, lecz uczy się ogólnych zasad fizycznych. Dzięki temu może być wykorzystywany również wobec cząsteczek, których nigdy wcześniej nie analizował. Obecnie TITO testowano na uproszczonych modelach rozpuszczalników i określonych warunkach temperaturowych, jednak trwają już prace nad rozszerzeniem zastosowania technologii na bardziej złożone układy biologiczne.
Przemysł farmaceutyczny obserwuje rozwój technologii
Postępy w dziedzinie biologii obliczeniowej wzbudzają rosnące zainteresowanie przemysłu farmaceutycznego. Dokładniejsze symulacje oznaczają możliwość ograniczenia kosztów oraz skrócenia czasu potrzebnego do identyfikacji najlepszych kandydatów terapeutycznych.
Aby móc przewidywać zjawiska fizyczne zachodzące w cząsteczkach, musimy zrozumieć fizykę leżącą u podstaw zachowania się układu. Wierzę, że jesteśmy jednymi z pierwszych, którzy zademonstrowali to w ujęciu ogólnym i udowodnili, że jest to możliwe – mówi Juan Viguera Diez, doktorant przemysłowy w AstraZeneca, główny autor publikacji.
Badacze mają nadzieję, że nowe podejście stanie się istotnym elementem przyszłych platform odkrywania leków.
Czy AI przyspieszy powstawanie nowych terapii?
Choć model TITO nie zastąpi eksperymentów laboratoryjnych ani badań klinicznych, może znacząco usprawnić etap selekcji kandydatów na leki. Dzięki szybszym i bardziej precyzyjnym prognozom naukowcy będą mogli skoncentrować zasoby na najbardziej obiecujących cząsteczkach.
W dłuższej perspektywie modele sztucznej inteligencji, takie jak nasze, mogą pomóc w szybszej identyfikacji obiecujących kandydatów na leki i poprawić ich dokładność na wczesnych etapach. Badanie pokazuje, co jest obecnie możliwe. Mamy nadzieję, że utoruje to drogę do rozwoju bardziej ogólnych technik, które mogą ostatecznie ułatwić opracowywanie nowych leków i nowych terapii, a w szerszym ujęciu, również pogłębić naszą wiedzę na temat chorób – mówi Juan Viguera Diez.
Główne wnioski
- Model sztucznej inteligencji TITO przyspieszył symulacje molekularne ponad 10 000 razy w porównaniu z klasyczną dynamiką molekularną, zachowując zgodność z prawami fizyki.
- Naukowcy przetestowali technologię na ponad 12 500 cząsteczkach organicznych i ponad 1 000 krótkich peptydów, potwierdzając zdolność modelu do przewidywania zachowania nowych układów molekularnych.
- Model uczy się ogólnych zasad rządzących ruchem cząsteczek, dzięki czemu może przewidywać zmiany zachodzące nawet tysiąckrotnie dłużej niż wynikałoby to z danych wykorzystanych podczas treningu.
- Badacze z Uniwersytetu Technologicznego Chalmersa i Uniwersytetu w Göteborgu liczą, że technologia usprawni wczesne etapy odkrywania leków, skracając czas i ograniczając koszty poszukiwania nowych terapii.
Źródło:
- https://www.chalmers.se/en/current/news/ai-fast-forwards-molecular-simulations-by-10-000-fold,c4359821/
