Пошук нових ліків, що називається «відкриттям ліків», є дорогим і тривалим завданням. Але тип штучного інтелекту, який називається машинним навчанням, може значно прискорити процес і виконати роботу за невелику частку ціни.
Нещодавно ми з колегами використали цю технологію, щоб знайти трьох перспективних кандидатів на сенолітичні препарати – препарати, які уповільнюють старіння та запобігають віковим захворюванням.
Сенолітики діють, вбиваючи старі клітини. Це клітини, які є «живими» (метаболічно активними), але які більше не можуть реплікуватися, звідси їх прізвисько: клітини-зомбі.
Неможливість відтворити це не обов’язково погано. Ці клітини зазнали пошкодження своєї ДНК – наприклад, клітини шкіри, пошкоджені сонячними променями – тому зупинка реплікації зупиняє поширення пошкодження.
Але старіючі клітини – це не завжди добре. Вони виділяють a коктейль запальних білків які можуть поширюватися на сусідні клітини. Протягом життя наші клітини зазнають шквалу нападів, від УФ-променів до впливу хімічних речовин, і тому ці клітини накопичуються. Підвищена кількість старіючих клітин була причетна до a спектр захворювань, включаючи діабет 2 типу, COVID, легеневий фіброз, остеоартрит і рак.
Дослідження на лабораторних мишах показали, що усунення старіючих клітин за допомогою сенолітики, може полегшити ці захворювання. Ці препарати можуть вбивати зомбі-клітини, зберігаючи здорові клітини живими.
Близько 80 сенолітиків відомі, але лише два були випробувані на людях: комбінація дазатиніб і кверцетин. Було б чудово знайти більше сенолітиків, які можна використовувати при різноманітних захворюваннях, але це займає від десяти до 20 років і мільярдів доларів щоб ліки вийшли на ринок.
Результати через п'ять хвилин
Я та мої колеги, включаючи дослідників з Единбурзького університету та Іспанської національної дослідницької ради IBBTEC-CSIC у Сантандері, Іспанія, хотіли знати, чи зможемо ми навчити моделі машинного навчання ідентифікувати нові сенолітичні препарати-кандидати.
Для цього ми наповнили моделі штучного інтелекту відомими прикладами сенолітики і несенолітики. Моделі навчилися розрізняти між ними і могли бути використані для прогнозування того, чи можуть молекули, які вони ніколи раніше не бачили, також бути сенолітиками.
Вирішуючи задачу машинного навчання, ми зазвичай спочатку перевіряємо дані на низці різних моделей, оскільки деякі з них працюють краще, ніж інші. Щоб визначити найефективнішу модель, на початку процесу ми відокремлюємо невелику частину доступних навчальних даних і приховуємо її від моделі до завершення процесу навчання. Потім ми використовуємо ці дані тестування, щоб кількісно визначити, скільки помилок робить модель. Перемагає той, хто зробить найменшу кількість помилок.
Ми визначили нашу найкращу модель і налаштували її для прогнозування. Ми дали йому 4,340 молекул, і через п’ять хвилин він надав список результатів.
Модель штучного інтелекту визначила 21 молекулу з найвищим показником, які, на її думку, мають високу ймовірність бути сенолітиками. Якби ми перевірили оригінальні 4,340 молекул у лабораторії, нам знадобилося б принаймні кілька тижнів інтенсивної роботи та 50,000 XNUMX фунтів стерлінгів лише на придбання сполук, не рахуючи вартості експериментального обладнання та установки.
Потім ми протестували ці препарати-кандидати на двох типах клітин: здорових і старіючих. Результати показали, що з 21 сполуки три (периплоцин, олеандрин і гінкгетин) змогли усунути старіючі клітини, зберігаючи при цьому більшість нормальних клітин. Потім ці нові сенолітики пройшли подальше тестування, щоб дізнатися більше про те, як вони діють в організмі.
Детальніші біологічні експерименти показали, що з трьох препаратів олеандрин був ефективнішим, ніж найефективніший відомий сенолітичний препарат у своєму роді.
Потенційні наслідки цього міждисциплінарного підходу – із залученням спеціалістів із обробки даних, хіміків і біологів – величезні. Маючи достатньо високоякісних даних, моделі штучного інтелекту можуть пришвидшити дивовижну роботу, яку виконують хіміки та біологи, щоб знайти методи лікування та ліки від хвороб, особливо незадоволених.
Перевіривши їх у старіючих клітинах, ми зараз тестуємо три кандидати на сенолітики в тканині легенів людини. Ми сподіваємось повідомити про наступні результати через два роки.
про автора
Ванесса Смер-Баррето, науковий співробітник Інституту генетики і молекулярної медицини ім. Единбурзький університет
Ця стаття перевидана з Бесіда за ліцензією Creative Commons. Читати оригінал статті.
Схожі книги:
Тіло веде рахунок: мозок, розум і тіло в лікуванні травми
Бесселя ван дер Колка
Ця книга досліджує зв’язки між травмою та фізичним і психічним здоров’ям, пропонуючи ідеї та стратегії зцілення та відновлення.
Натисніть, щоб дізнатися більше або замовити
Дихання: нова наука втраченого мистецтва
Джеймс Нестор
Ця книга досліджує науку та практику дихання, пропонуючи ідеї та методи покращення фізичного та психічного здоров’я.
Натисніть, щоб дізнатися більше або замовити
Парадокс рослин: приховані небезпеки в «здорових» продуктах, які викликають хвороби та збільшення ваги
Стівен Р. Гандрі
Ця книга досліджує зв’язки між дієтою, здоров’ям і хворобою, пропонуючи ідеї та стратегії для покращення загального здоров’я та самопочуття.
Натисніть, щоб дізнатися більше або замовити
Кодекс імунітету: нова парадигма справжнього здоров’я та радикальної боротьби зі старінням
Джоел Грін
Ця книга пропонує новий погляд на здоров’я та імунітет, спираючись на принципи епігенетики та пропонуючи ідеї та стратегії для оптимізації здоров’я та старіння.
Натисніть, щоб дізнатися більше або замовити
Повний посібник із голодування: зцілюйте своє тіло за допомогою періодичного, іншого дня та тривалого голодування
доктора Джейсона Фунга та Джиммі Мура
Ця книга досліджує науку та практику голодування, пропонуючи ідеї та стратегії для покращення загального здоров’я та благополуччя.
