- Finnische Wissenschaftler nutzen maschinelles Lernen, um die Arzneimittelentwicklung zu beschleunigen und effizienter zu gestalten.
- Sie testeten 1,56 Milliarden arzneimittelähnliche Moleküle und stellten fest, dass maschinelles Lernen 90 % der bestbewerteten Verbindungen in zehn Tagen identifizierte.
- Die Forschung verbindet akademische und industrielle Zusammenarbeit und bietet offene Datensätze, um zukünftige Innovationen in der computergestützten Arzneimittelentwicklung voranzutreiben.
In einem bahnbrechenden Forschungsprojekt haben Wissenschaftler der Universität Ostfinnland eine neue Ära in der Wirkstoffforschung eingeläutet und das Potenzial des maschinellen Lernens genutzt. Durch eine strategische Partnerschaft mit Branchenexperten und die Rechenleistung von Supercomputern hat diese Zusammenarbeit bemerkenswerte Ergebnisse erzielt, die die für das virtuelle Wirkstoff-Screening erforderliche Zeit erheblich verkürzt haben.
Dieser Artikel bietet umfassende Einblicke in diese bahnbrechende Methodik und unterstreicht ihre Auswirkungen auf die Pharmaindustrie und die breitere wissenschaftliche Gemeinschaft.
Pionierarbeit im virtuellen Screening
Das Feld des virtuellen Screenings, eine entscheidende Phase bei der Suche nach neuen Wirkstoffverbindungen, hat dank der Integration von maschinellem Lernen eine monumentale Transformation erfahren. Forscher haben sich auf schnelle computergestützte Techniken verlassen, um umfangreiche Verbindungsbibliotheken zu durchsuchen und potenzielle Wirkstoffe zu finden, die auf spezifische, arzneimittelbezogene Zielstrukturen abzielen.
Die Explosion in der Größe dieser Bibliotheken hat jedoch die Fähigkeiten selbst der fortschrittlichsten Supercomputer übertroffen. Folglich könnte das Screening einer Billion-Verbindungen-Bibliothek gegen ein einzelnes Wirkstoffziel mehrere Monate oder sogar Jahre in Anspruch nehmen, was eine formidable Herausforderung für die Industrie darstellt.
Die wegweisende Studie
In einer kürzlich veröffentlichten Arbeit im Journal of Chemical Information and Modeling stellten Dr. Ina Pöhner und ihre geschätzten Kollegen der Fakultät für Pharmazie der Universität Ostfinnland vor. In Partnerschaft mit CSC – IT Center for Science Ltd., dem führenden Supercomputing-Zentrum Finnlands, und wichtigen industriellen Kooperationspartnern von Orion Pharma begaben sie sich auf eine Mission, das Potenzial des maschinellen Lernens für das giga-scale virtuelle Screening zu nutzen.
Die Forscher legten sorgfältig eine Basislinie fest, bevor sie künstliche Intelligenz in ihren Arbeitsablauf einführten. Sie starteten eine monumentale virtuelle Screening-Kampagne, die erstaunliche 1,56 Milliarden arzneimittelähnliche Moleküle gegen zwei pharmakologisch relevante Zielstrukturen bewertete. Diese erschöpfende Unternehmung, die fast ein halbes Jahr dauerte, wurde mit Hilfe der Supercomputer Mahti und Puhti unter Einsatz der Molekül-Docking-Technik durchgeführt. Diese computergestützte Methode prüft die Kompatibilität kleiner Moleküle mit der Bindungsstelle eines Ziels.
Maschinelles Lernen an vorderster Front
Nach der intensiven Docking-Phase unterzogen sich die Ergebnisse einem durch maschinelles Lernen verstärkten Screening-Prozess, der durch HASTEN orchestriert wurde, ein Tool, das Dr. Tuomo Kalliokoski von Orion Pharma entwickelt hat. HASTEN nutzt die Kraft des maschinellen Lernens, um die komplexen Eigenschaften von Molekülen und ihre Auswirkungen auf die Bewertung von Verbindungen zu entschlüsseln. Durch die Nutzung eines umfangreichen Datensatzes, der durch herkömmliches Docking gesammelt wurde, kann das maschinelle Lernmodell Docking-Scores für andere Verbindungen in der Bibliothek schnell vorhersagen und übertrifft damit den ressourcenintensiven Brute-Force-Docking-Ansatz dramatisch.
Die Ergebnisse waren mehr als außergewöhnlich. Mit nur 1 % der vollständigen Bibliothek, die gedockt und als Trainingsdaten verwendet wurde, identifizierte HASTEN 90 % der höchstbewerteten Verbindungen in weniger als zehn Tagen. Diese Leistung stellt einen quantensprungartigen Fortschritt in der Effizienz dar und unterstreicht das transformative Potenzial des maschinellen Lernens bei der Revolutionierung der Landschaft der Wirkstoffforschung.
Der Triumph dieser Forschung ist ein Zeugnis der Synergie zwischen Akademie und Industrie. Professor Antti Poso, der die Gruppe für computergestützte Wirkstoffforschung innerhalb der DrugTech Research Community der Universität Ostfinnland leitet, unterstrich die entscheidende Rolle, die die hochmodernen Rechenressourcen von CSC bei der Verwirklichung ihrer ehrgeizigen Ziele spielten. Diese Zusammenarbeit ist vorbildlich und zeigt, wie die Verschmelzung von Ideen, Ressourcen und modernster Technologie die wissenschaftliche Forschung auf ein unerreichtes Niveau heben kann.
Offene Daten als Katalysator für zukünftige Innovationen
In Anerkennung der paramounten Bedeutung der Wissensverbreitung haben die Autoren der Studie erhebliche Datensätze großzügig der Öffentlichkeit zur Verfügung gestellt. Diese Datensätze umfassen eine sofort einsatzbereite Screening-Bibliothek für das Docking, die es anderen Forschern ermöglicht, ihre Screening-Bemühungen zu beschleunigen.
Darüber hinaus wurde der Datensatz mit 1,56 Milliarden Verbindungs-Docking-Ergebnissen für zwei Zielstrukturen als Benchmarking-Daten veröffentlicht. Diese philanthropische Geste fördert nicht nur die Zusammenarbeit, sondern ebnet auch den Weg für die Entwicklung von Tools, die Prozesse rationalisieren, Ressourcen schonen und das Feld der computergestützten Wirkstoffforschung vorantreiben können.
Die klügsten Krypto-Köpfe lesen bereits unseren Newsletter. Lust dabei? Mach mit.
Brenda Kanana
Brenda verfügt über mehr als 4 Jahre Erfahrung mit Spezialisierung auf Kryptowährungen, künstliche Intelligenz und aufkommende Technologien. Sie war bei Zycrypto, Blockchain Reporter und The Coin Republic tätig und hat nun Cryptopolitan zu ihrer Heimat gemacht. Ihr Soziologiestudium an der Mombasa Technical University hält sie nah am Puls ihrer Leser.
