Chicagon yliopiston Pritzker School of Molecular Engineeringin (PME) tutkijat ovat hyödyntäneet koneoppimisen kykyjä tunnistaakseen uusia immuunireittejä tehostavia molekyylejä rokotesuunnittelun ja immunoterapian uraauurtavassa kehityksessä. Tutkimus, joka julkaistiin äskettäin Chemical Science -lehdessä, esittelee tekoälyn (AI) potentiaalia mullistaa immunomodulaattoreiden etsintä, jotka ovat ratkaisevia komponentteja tehokkaampien rokotteiden ja vahvojen syövän immuunihoitojen kehittämisessä.
Laaja kemiallinen tila tutkittu
Haaste oikeiden molekyylien tunnistamisessa halutun immuunivasteen aikaansaamiseksi on ollut valtava, kun otetaan huomioon hämmästyttävä arvio 10^60 lääkkeen kaltaisesta pienestä molekyylistä, jotka ylittävät huomattavasti universumissa näkyvien tähtien lukumäärän. Tässä laajassa kemiallisessa tilassa navigoimiseksi professori Aaron Esser-Kahnin johtama tutkimusryhmä käytti koneoppimistekniikoita, jota ei ole aiemmin sovellettu tällä tavalla immunomodulaattorien löytämiseen.
Tekoälyn ohjaama seulontaprosessi
Tiimi aloitti 40,000 140,000 molekyyliyhdistelmän tehokkaan seulonnan arvioidakseen niiden vaikutusta synnynnäisiin immuunireitteihin, erityisesti NF-KB- ja IRF-reittejä, jotka ovat ratkaisevia tulehdukselle ja antiviraalisille vasteille. Myöhemmin tutkijat yhdistivät tulokset lähes XNUMX XNUMX kaupallisesti saatavan pienen molekyylin kirjastoon ohjatakseen iteratiivista laskennallista ja kokeellista prosessia.
Aktiivinen oppiminen paljastaa piilotetut helmet
Jatko-opiskelija Yifeng (Oliver) Tang johti aktiivista oppimista, koneoppimistekniikkaa, joka ohjaa tehokkaasti kokeellista seulontaa molekyyliavaruuden läpi. Prosessi oli iteratiivinen, ja malli ehdotti mahdollisia ehdokkaita tai tutkimattomia alueita, mikä sai tiimin suorittamaan korkean suorituskyvyn analyyseja ja syöttämään tiedot takaisin aktiiviseen oppimisalgoritmiin. Hämmästyttävää kyllä, vain neljän syklin jälkeen, ottamalla näytteitä vain 2 %:sta kirjastosta, tiimi tunnisti aiemmin löytämättömiä tehokkaita pieniä molekyylejä.
Ennätystulokset
Tekoälyn ohjaama löytö paljasti pieniä molekyylejä, joiden suorituskyky oli ennätystasoinen ja jotka ylittivät ihmisen intuition. Nämä huippusuorituskykyiset ehdokkaat osoittivat huomattavan 110 %:n parannuksen NF-KB-aktiivisuudessa, 83 %:n nousun IRF-aktiivisuudessa ja silmiinpistävän 128 %:n NF-KB-aktiivisuuden suppression. Yksi erottuva molekyyli osoitti kolminkertaista IFN-β:n tuotantoa, kun se toimitettiin STING-agonistin kanssa, mikä osoittaa lupauksen syövän hoidossa.
Generalistit ja niiden monipuolisuus
Tutkimus paljasti myös "generalisteja" – immunomodulaattoreita, jotka pystyvät muokkaamaan reittejä, kun niitä toimitetaan yhdessä agonistien, solureseptoreita aktivoivien kemikaalien kanssa. Näillä monipuolisilla pienillä molekyyleillä voi mahdollisesti olla monipuolinen rooli erilaisissa rokotteissa, mikä tekee niistä helpommin markkinoille saattamisen. Professori Andrew Ferguson korosti jännitystä, joka liittyy siihen, että yksi molekyyli edistää laajaa rokotteiden kirjoa.
Molekyylisalaisuuksien paljastaminen
Saadakseen käsityksen tunnistettujen molekyylien ominaisuuksista ryhmä suoritti perusteellisen analyysin yleisistä kemiallisista piirteistä, jotka edistävät toivottua käyttäytymistä. Tämä tieto mahdollistaa kohdistetun keskittymisen molekyyleihin, joilla on erityisiä ominaisuuksia, tai järkevän suunnittelun uusia molekyylejä, joissa on tunnistettuja kemiallisia ryhmiä.
Tutkijat aikovat jatkaa tätä innovatiivista prosessia tavoitteenaan tunnistaa molekyylejä, joilla on spesifisempää immuuniaktiivisuutta, ja tutkia yhdistelmiä, jotka tarjoavat paremman immuunivasteen hallinnan. Professori Esser-Kahn ilmaisi lopullisen tavoitteen - löytää molekyylejä, jotka pystyvät hoitamaan sairauksia.
Paradigman muutos rokotesuunnittelussa
Koneoppimisen käyttö ohjaamaan immunomodulaattoreiden löytämistä merkitsee paradigman muutosta rokotteiden suunnittelussa ja immunoterapiassa. Tämän tekoälyyn perustuvan lähestymistavan menestys paitsi nopeuttaa tehokkaiden molekyylien tunnistamista, myös avaa mahdollisuuksia yhteistyölle tiedeyhteisön sisällä. Kun tiimi odottaa laajentavansa molekyylien etsintää, he rohkaisevat jakamaan tietojoukkoja tämän muuntavan tutkimuksen tehokkuuden ja vaikutuksen parantamiseksi.
Lähde: https://www.cryptopolitan.com/unleashing-the-power-of-machine-learning/