Машинное обучение ускоряет поиск лекарств

В рамках прорывного исследовательского проекта ученые из Университета Восточной Финляндии открыли новую эру в поиске лекарств, используя потенциал машинного обучения. Благодаря стратегическому партнерству с отраслевыми экспертами и вычислительным возможностям суперкомпьютеров это сотрудничество привело к впечатляющим результатам, значительно сократив время, необходимое для виртуального скрининга лекарств.

Эта статья предоставляет всесторонние сведения об этом новаторском методе, подчеркивая его последствия для фармацевтической отрасли и более широкого научного сообщества.

Новаторский виртуальный скрининг

Сфера виртуального скрининга, являющаяся ключевым этапом в поиске новых лекарственных соединений, претерпела монументальные изменения благодаря интеграции машинного обучения. Исследователи опирались на быстрые методы, основанные на вычислительной технике, для отбора из обширных библиотек соединений в поисках потенциальных агентов, нацеленных на специфические мишени, связанные с лекарственными средствами.

Однако взрывной рост размеров этих библиотек опередил возможности даже самых передовых суперкомпьютеров. В результате скрининг библиотеки соединений размером в миллиард единиц против одной лекарственной мишени может занять несколько месяцев или даже лет, представляя собой серьезную проблему для отрасли.

Знаковое исследование

В недавней публикации в журнале Journal of Chemical Information and Modeling доктор Ина Пёхнер и ее уважаемые коллеги из Школы фармации Университета Восточной Финляндии. В партнерстве с CSC – Центром информационных наук, ведущим центром суперкомпьютерных технологий в Финляндии, и ключевыми промышленными партнерами из Orion Pharma, они приступили к миссии по использованию потенциала машинного обучения для гига-масштабного виртуального скрининга.

Исследователи тщательно установили базовый уровень перед внедрением искусственного интеллекта в свой рабочий процесс. Они приступили к монументальной кампании виртуального скрининга, в ходе которой оценивались удивительные 1,56 миллиарда молекул, похожих на лекарства, против двух фармакологически значимых мишеней. Это исчерпывающее предприятие, длившееся почти полгода, было выполнено с помощью суперкомпьютеров Mahti и Puhti с использованием метода молекулярного докинга. Этот вычислительный метод анализирует совместимость небольших молекул с сайтом связывания мишени.

Машинное обучение на передовой

После интенсивной фазы докинга результаты прошли процесс скрининга, усиленного машинным обучением, который был организован с помощью инструмента HASTEN, разработанного доктором Туомо Каллиокоски из Orion Pharma. HASTEN использует мощь машинного обучения для расшифровки сложных свойств молекул и их влияния на оценку соединений. Используя обширный набор данных, собранный с помощью традиционного докинга, модель машинного обучения может быстро предсказывать оценки докинга для других соединений в библиотеке, значительно превосходя ресурсоемкий метод грубого перебора.

Результаты были просто невероятными. Используя лишь 1% полной библиотеки, дозированной и использованной в качестве обучающих данных, HASTEN выявил 90% соединений с наивысшими оценками менее чем за десять дней. Это достижение представляет собой квантовый скачок в эффективности, демонстрируя трансформирующий потенциал машинного обучения в революционизации ландшафта поиска лекарств.

Успех этого исследования является свидетельством синергии между академическими кругами и промышленностью. Профессор Антти Посо, возглавляющий группу вычислительного поиска лекарств в Исследовательском сообществе DrugTech Университета Восточной Финляндии, подчеркнул ключевую роль, которую сыграл передовой вычислительный ресурс CSC в достижении их амбициозных целей. Это сотрудничество является образцовым, демонстрируя, как объединение идей, ресурсов и передовых технологий может вывести научные исследования на беспрецедентный уровень.

Открытые данные как катализатор будущих инноваций

Осознавая первостепенную важность распространения знаний, авторы исследования щедро предоставили значительные наборы данных общественности. Эти наборы данных включают готовую к развертыванию библиотеку для докинга, позволяющую другим исследователям ускорить свои скрининговые исследования. 

Кроме того, набор данных, содержащий 1,56 миллиарда результатов докинга соединений для двух мишеней, был представлен в качестве эталонных данных. Этот филантропический жест не только способствует сотрудничеству, но и прокладывает путь для разработки инструментов, которые могут оптимизировать процессы, экономить ресурсы и продвигать область вычислительного поиска лекарств.