В рамках новаторского исследования в области разработки вакцин и иммунотерапии исследователи из Притцкеровской школы молекулярной инженерии (PME) Чикагского университета использовали возможности машинного обучения дляdentновых молекул, усиливающих иммунные пути. Исследование, недавно опубликованное в журнале Chemical Science, демонстрирует потенциал искусственного интеллекта (ИИ) в революционизации поиска иммуномодуляторов — важнейших компонентов для разработки более эффективных вакцин и надежных методов иммунотерапии рака.
Исследовано обширное химическое пространство
Задача поdentподходящих молекул для вызывания желаемого иммунного ответа оказалась чрезвычайно сложной, учитывая ошеломляющую оценку в 10^60 малых молекул, подобных лекарственным препаратам, — это намного больше, чем количество видимых звезд во Вселенной. Для исследования этого обширного химического пространства исследовательская группа под руководством профессора Аарона Эссера-Кана применила методы машинного обучения — метод, ранее не использовавшийся в подобном качестве для поиска иммуномодуляторов.
Процесс скрининга с использованием искусственного интеллекта
Команда инициировала высокопроизводительный скрининг 40 000 комбинаций молекул для оценки их влияния на пути врожденного иммунитета, в частности, на пути NF-κB и IRF, имеющие решающее значение для воспаления и противовирусных реакций. Впоследствии исследователи объединили результаты с библиотекой, содержащей почти 140 000 коммерчески доступных малых молекул, чтобы использовать их в итеративном вычислительном и экспериментальном процессе.
Используя активное обучение — метод машинного обучения, эффективно перемещающийся в молекулярном пространстве при экспериментальном скрининге, —dent Ифэн (Оливер) Тан возглавил работу. Процесс был итеративным: модель предлагала потенциальных кандидатов или неисследованные области, побуждая команду проводить высокопроизводительный анализ и передавать данные обратно в алгоритм активного обучения. Удивительно, но всего после четырех циклов, охватив лишь 2% библиотеки, командаdentранее неизвестные высокоэффективные малые молекулы.
Рекордные результаты
Благодаря использованию искусственного интеллекта были обнаружены малые молекулы с рекордными показателями, превосходящими человеческую интуицию. Эти лучшие кандидаты продемонстрировали замечательное улучшение активности NF-κB на 110%, повышение активности IRF на 83% и поразительное подавление активности NF-κB на 128%. Одна из молекул показала трехкратное увеличение выработки IFN-β при применении в сочетании с агонистом STING, что свидетельствует о перспективности ее использования в лечении рака.
Специалисты широкого профиля и их многогранность
Исследование также выявило «универсальные» иммуномодуляторы — вещества, способные изменять сигнальные пути при совместном введении с агонистами, то есть химическими веществами, активирующими клеточные рецепторы. Эти универсальные малые молекулы потенциально могут играть многогранную роль в различных вакцинах, что облегчит их вывод на рынок. Профессор Эндрю Фергюсон подчеркнул энтузиазм, связанный с перспективой использования одной молекулы для создания широкого спектра вакцин.
Раскрытие молекулярных тайн
Для получения представления о характеристикахdentмолекул команда провела тщательный анализ общих химических особенностей, которые обусловливали желаемое поведение. Эти знания позволяют целенаправленно работать с молекулами, обладающими определенными характеристиками, или рационально проектировать новые молекулы сdentхимическими группами.
Исследователи намерены продолжить этот инновационный процесс, стремясьdentмолекулы с более специфической иммунной активностью и изучить комбинации, обеспечивающие лучший контроль над иммунным ответом. Профессор Эссер-Кан обозначила конечную цель — найти молекулы, способные лечить заболевания.
Смена парадигмы в разработке вакцин
Использование машинного обучения для поиска иммуномодуляторов знаменует собой сдвиг парадигмы в разработке вакцин и иммунотерапии. Успех этого подхода, основанного на искусственном интеллекте, не только ускоряетdentсильнодействующих молекул, но и открывает возможности для сотрудничества в научном сообществе. Поскольку команда планирует расширить поиск молекул, она призывает к обмену наборами данных для повышения эффективности и результативности этого преобразующего исследования.
