Plattformen für generative künstliche Intelligenz, von chatgpt bis midjourney, sorgten im Jahr 2023 für Schlagzeilen. Aber GenAI kann mehr als nur collagierte Bilder erstellen und beim Verfassen von E-Mails helfen – es kann auch neue Medikamente zur Behandlung von Krankheiten entwickeln.

Heutzutage verwenden Wissenschaftler fortschrittliche Technologie, um neue synthetische Arzneimittelverbindungen mit den richtigen Eigenschaften und Merkmalen zu entwickeln, was auch als „De-novo-Arzneimitteldesign“ bekannt ist. Aktuelle Methoden können jedoch arbeits-, zeit- und kostenintensiv sein.

Inspiriert von der Beliebtheit von ChatGPT und der Frage, ob dieser Ansatz den Arzneimittelentwicklungsprozess beschleunigen könnte, haben Wissenschaftler in der Schmid Hochschule für Wissenschaft und Technologie an der Chapman University in Orange, Kalifornien, beschlossen, ein eigenes genAI-Modell zu erstellen, das in dem neuen Artikel „De Novo Drug Design using Transformer-based Machine Translation and Reinforcement Learning of Adaptive Monte-Carlo Tree Search“ detailliert beschrieben wird, der im veröffentlicht wird Zeitschrift Pharmaceuticals. Dony Ang, Cyril Rakovski und Hagop Atamian haben ein Modell codiert, um einen riesigen Datensatz bekannter Chemikalien zu lernen, wie sie an Zielproteine ​​binden und welche Regeln und Syntax chemische Strukturen und Eigenschaften im Großen und Ganzen haben.

Das Endergebnis kann unzählige einzigartige molekulare Strukturen erzeugen, die wesentlichen chemischen und biologischen Beschränkungen folgen und effektiv an ihre Ziele binden – was verspricht, den Prozess der Identifizierung brauchbarer Arzneimittelkandidaten für eine Vielzahl von Krankheiten zu einem Bruchteil der Kosten erheblich zu beschleunigen.

Um das bahnbrechende Modell zu erstellen, haben Forscher erstmals zwei hochmoderne KI-Techniken in den Bereichen Bioinformatik und Cheminformatik integriert: die bekannte „Encoder-Decoder-Transformer-Architektur“ und „Reinforcement Learning via Monte Carlo Tree Search“ (RL- MCTS). Die Plattform mit dem passenden Namen „drugAI“ ermöglicht es Benutzern, eine Zielproteinsequenz einzugeben (z. B. ein Protein, das typischerweise am Fortschreiten von Krebs beteiligt ist). DrugAI, das auf Daten aus der umfassenden öffentlichen Datenbank BindingDB trainiert wird, kann einzigartige molekulare Strukturen von Grund auf generieren und Kandidaten dann iterativ verfeinern, um sicherzustellen, dass die Finalisten starke Bindungsaffinitäten zu jeweiligen Medikamentenzielen aufweisen – entscheidend für die Wirksamkeit potenzieller Medikamente. Das Modell identifiziert 50–100 neue Moleküle, die diese bestimmten Proteine ​​wahrscheinlich hemmen.

„Dieser Ansatz ermöglicht es uns, ein potenzielles Medikament zu entwickeln, an das noch nie gedacht wurde“, sagte Dr. Atamian. „Es wurde getestet und validiert. Jetzt sehen wir großartige Ergebnisse.“

Die Forscher bewerteten die von DrugAI erzeugten Moleküle anhand verschiedener Kriterien und stellten fest, dass die Ergebnisse von DrugAI von ähnlicher Qualität waren wie die von zwei anderen gängigen Methoden und in einigen Fällen sogar besser waren. Sie fanden heraus, dass die Medikamentenkandidaten von DrugAI eine Gültigkeitsrate von 100 % hatten – was bedeutet, dass keines der generierten Medikamente im Trainingssatz vorhanden war. Die Arzneimittelkandidaten von DrugAI wurden auch auf ihre Arzneimittelähnlichkeit hin untersucht, also auf die Ähnlichkeit der Eigenschaften einer Verbindung mit denen oraler Arzneimittel, und die Arzneimittelkandidaten waren um mindestens 42 % bzw. 75 % höher als bei anderen Modellen. Darüber hinaus zeigten alle durch DrugAI erzeugten Moleküle starke Bindungsaffinitäten zu den jeweiligen Zielen, vergleichbar mit denen, die über herkömmliche virtuelle Screening-Ansätze identifiziert wurden.

Ang, Rakovski und Atamian wollten auch sehen, wie sich die Ergebnisse von DrugAI bei einer bestimmten Krankheit im Vergleich zu bereits bekannten Medikamenten für diese Krankheit auswirken. In einem anderen Experiment erstellten Screening-Methoden eine Liste von Naturstoffen, die COVID-19-Proteine ​​hemmten; DrugAI hat eine Liste neuartiger Medikamente erstellt, die auf dasselbe Protein abzielen, um deren Eigenschaften zu vergleichen. Sie verglichen die Arzneimittelähnlichkeit und Bindungsaffinität zwischen den natürlichen Molekülen und den Arzneimittel-AIs und fanden bei beiden ähnliche Messungen – jedoch konnte DrugAI diese auf viel schnellere und kostengünstigere Weise identifizieren.

Darüber hinaus haben die Wissenschaftler den Algorithmus so konzipiert, dass er eine flexible Struktur aufweist, die es künftigen Forschern ermöglicht, neue Funktionen hinzuzufügen. „Das bedeutet, dass man am Ende verfeinerte Medikamentenkandidaten erhält, bei denen die Wahrscheinlichkeit, dass es sich am Ende um ein echtes Medikament handelt, noch größer ist“, sagte Dr. Atamian. „Wir sind gespannt auf die künftigen Möglichkeiten.“