At finde nye lægemidler - kaldet "drug discovery" - er en dyr og tidskrævende opgave. Men en type kunstig intelligens kaldet machine learning kan massivt accelerere processen og udføre arbejdet for en brøkdel af prisen.
Mine kolleger og jeg brugte for nylig denne teknologi til at finde tre lovende kandidater til senolytiske lægemidler – lægemidler, der bremser aldring og forebygger aldersrelaterede sygdomme.
Senolytika virker ved at dræbe senescent celler. Det er celler, der er "levende" (metabolisk aktive), men som ikke længere kan replikere, deraf deres kaldenavn: zombieceller.
Manglende evne til at replikere er ikke nødvendigvis en dårlig ting. Disse celler har lidt skade på deres DNA - for eksempel hudceller beskadiget af solens stråler - så stop af replikation forhindrer skaden i at sprede sig.
Men senescent celler er ikke altid en god ting. De udskiller en cocktail af inflammatoriske proteiner som kan spredes til naboceller. I løbet af et helt liv udsættes vores celler for en byge af angreb, fra UV-stråler til eksponering for kemikalier, og derfor akkumuleres disse celler. Forhøjede antal af senescent celler er blevet impliceret i en række sygdomme, herunder type 2-diabetes, COVID, lungefibrose, slidgigt og kræft.
Undersøgelser i laboratoriemus har vist, at eliminering af ældningsceller, vha senolytika, kan lindre disse sygdomme. Disse stoffer kan dræbe zombieceller, mens de holder sunde celler i live.
Omkring 80 senolytika er kendt, men kun to er blevet testet på mennesker: en kombination af dasatinib og quercetin. Det ville være fantastisk at finde flere senolytika, der kan bruges til en række forskellige sygdomme, men det tager ti til 20 år og milliarder af dollars for at et lægemiddel kommer på markedet.
Resultater på fem minutter
Mine kolleger og jeg – inklusive forskere fra University of Edinburgh og det spanske nationale forskningsråd IBBTEC-CSIC i Santander, Spanien – ønskede at vide, om vi kunne træne maskinlæringsmodeller til at identificere nye senolytiske lægemiddelkandidater.
For at gøre dette fodrede vi AI-modeller med eksempler på kendte senolytika og ikke-senolytika. Modellerne lærte at skelne mellem de to og kunne bruges til at forudsige, om molekyler, de aldrig havde set før, også kunne være senolytiske.
Når vi løser et maskinlæringsproblem, tester vi normalt dataene på en række forskellige modeller først, da nogle af dem har tendens til at præstere bedre end andre. For at bestemme den bedst ydende model, adskiller vi i begyndelsen af processen en lille del af de tilgængelige træningsdata og holder den skjult fra modellen, indtil efter træningsprocessen er afsluttet. Vi bruger derefter disse testdata til at kvantificere, hvor mange fejl modellen laver. Den, der laver færrest fejl, vinder.
Vi bestemte vores bedste model og satte den til at lave forudsigelser. Vi gav den 4,340 molekyler, og fem minutter senere leverede den en liste over resultater.
AI-modellen identificerede 21 topscorende molekyler, som den anså for at have en høj sandsynlighed for at være senolytiske. Hvis vi havde testet de originale 4,340 molekyler i laboratoriet, ville det have taget mindst et par ugers intensivt arbejde og £50,000 bare at købe forbindelserne, uden at medregne omkostningerne ved det eksperimentelle maskineri og opsætning.
Vi testede derefter disse lægemiddelkandidater på to typer celler: sunde og senescent. Resultaterne viste, at ud af de 21 forbindelser var tre (periplocin, oleandrin og ginkgetin) i stand til at eliminere ældende celler, mens de holdt de fleste af de normale celler i live. Disse nye senolytika gennemgik derefter yderligere test for at lære mere om, hvordan de virker i kroppen.
Mere detaljerede biologiske eksperimenter viste, at ud af de tre lægemidler var oleandrin mere effektivt end det bedst ydende kendte senolytiske lægemiddel af sin art.
De potentielle konsekvenser af denne tværfaglige tilgang – der involverer dataforskere, kemikere og biologer – er enorme. Givet nok data af høj kvalitet kan AI-modeller fremskynde det fantastiske arbejde, som kemikere og biologer udfører for at finde behandlinger og helbredelser for sygdomme – især dem med udækkede behov.
Efter at have valideret dem i senescerende celler tester vi nu de tre kandidater til senolytika i humant lungevæv. Vi håber at kunne rapportere vores næste resultater om to år.
Om forfatteren
Vanessa Smer-Barreto, forskningsstipendiat, Institut for Genetik og Molekylær Medicin, University of Edinburgh
Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs oprindelige artikel.
Relaterede Bøger:
Kroppen holder scoren: Hjernens sind og krop i helingen af traumer
af Bessel van der Kolk
Denne bog udforsker forbindelserne mellem traumer og fysisk og mental sundhed, og tilbyder indsigt og strategier for helbredelse og bedring.
Klik for mere info eller for at bestille
Breath: The New Science of a Lost Art
af James Nestor
Denne bog udforsker videnskaben og praksisen med åndedræt og tilbyder indsigt og teknikker til at forbedre fysisk og mental sundhed.
Klik for mere info eller for at bestille
Planteparadokset: De skjulte farer ved "sunde" fødevarer, der forårsager sygdom og vægtøgning
af Steven R. Gundry
Denne bog udforsker forbindelserne mellem kost, sundhed og sygdom, og tilbyder indsigt og strategier til at forbedre den generelle sundhed og velvære.
Klik for mere info eller for at bestille
Immunitetskoden: Det nye paradigme for ægte sundhed og radikal anti-aldring
af Joel Greene
Denne bog tilbyder et nyt perspektiv på sundhed og immunitet, der trækker på principper for epigenetik og tilbyder indsigt og strategier til at optimere sundhed og aldring.
Klik for mere info eller for at bestille
Den komplette guide til faste: Helbred din krop gennem intermitterende, alternativ-dages og forlænget faste
af Dr. Jason Fung og Jimmy Moore
Denne bog udforsker videnskaben og praksis med faste og tilbyder indsigt og strategier til forbedring af den generelle sundhed og velvære.
