Å finne nye legemidler – kalt «drug discovery» – er en kostbar og tidkrevende oppgave. Men en type kunstig intelligens kalt maskinlæring kan akselerere prosessen massivt og gjøre jobben for en brøkdel av prisen.
Mine kolleger og jeg brukte nylig denne teknologien for å finne tre lovende kandidater for senolytiske legemidler – medisiner som bremser aldring og forhindrer aldersrelaterte sykdommer.
Senolytika virker ved å drepe senescent celler. Dette er celler som er "levende" (metabolisk aktive), men som ikke lenger kan replikere, derav kallenavnet deres: zombieceller.
Manglende evne til å replikere er ikke nødvendigvis en dårlig ting. Disse cellene har fått skade på deres DNA – for eksempel hudceller som er skadet av solens stråler – så å stoppe replikasjonen stopper skaden fra å spre seg.
Men senescent celler er ikke alltid en god ting. De skiller ut en cocktail av inflammatoriske proteiner som kan spre seg til naboceller. I løpet av en mannsalder lider cellene våre for en byge av angrep, fra UV-stråler til eksponering for kjemikalier, og derfor akkumuleres disse cellene. Forhøyet antall senescent celler har vært involvert i en rekke sykdommer, inkludert diabetes type 2, COVID, lungefibrose, slitasjegikt og kreft.
Studier på laboratoriemus har vist at eliminering av senescent celler, ved hjelp av senolytika, kan lindre disse sykdommene. Disse stoffene kan drepe zombieceller mens de holder friske celler i live.
Rundt 80 senolytika er kjent, men bare to har blitt testet på mennesker: en kombinasjon av dasatinib og quercetin. Det ville vært flott å finne flere senolytika som kan brukes i en rekke sykdommer, men det tar ti til 20 år og milliarder av dollar for at et stoff skal komme ut på markedet.
Resultater på fem minutter
Mine kolleger og jeg – inkludert forskere fra University of Edinburgh og det spanske nasjonale forskningsrådet IBBTEC-CSIC i Santander, Spania – ønsket å vite om vi kunne trene maskinlæringsmodeller for å identifisere nye senolytiske medikamentkandidater.
For å gjøre dette matet vi AI-modeller med eksempler på kjente senolytika og ikke-senolytika. Modellene lærte å skille mellom de to, og kunne brukes til å forutsi om molekyler de aldri hadde sett før også kunne være senolytiske.
Når vi løser et maskinlæringsproblem, tester vi vanligvis dataene på en rekke forskjellige modeller først, da noen av dem har en tendens til å prestere bedre enn andre. For å finne ut hvilken modell som gir best ytelse, skiller vi i begynnelsen av prosessen en liten del av de tilgjengelige treningsdataene og holder den skjult fra modellen til etter at treningsprosessen er fullført. Vi bruker deretter disse testdataene til å kvantifisere hvor mange feil modellen gjør. Den som gjør færrest feil, vinner.
Vi bestemte vår beste modell og satte den til å lage spådommer. Vi ga den 4,340 molekyler og fem minutter senere leverte den en liste med resultater.
AI-modellen identifiserte 21 toppscorende molekyler som den anså å ha høy sannsynlighet for å være senolytiske. Hvis vi hadde testet de originale 4,340 molekylene i laboratoriet, ville det ha tatt minst noen uker med intensivt arbeid og £50,000 bare å kjøpe forbindelsene, ikke medregnet kostnadene for det eksperimentelle maskineriet og oppsettet.
Vi testet deretter disse medikamentkandidatene på to typer celler: friske og eldre. Resultatene viste at av de 21 forbindelsene var tre (periplocin, oleandrin og ginkgetin) i stand til å eliminere aldrende celler, samtidig som de holdt de fleste av de normale cellene i live. Disse nye senolytika gjennomgikk deretter ytterligere testing for å lære mer om hvordan de virker i kroppen.
Mer detaljerte biologiske eksperimenter viste at av de tre stoffene var oleandrin mer effektivt enn det best presterende kjente senolytiske stoffet av sitt slag.
De potensielle konsekvensene av denne tverrfaglige tilnærmingen – som involverer datavitere, kjemikere og biologer – er enorme. Gitt nok data av høy kvalitet, kan AI-modeller akselerere det fantastiske arbeidet som kjemikere og biologer gjør for å finne behandlinger og kurer for sykdommer – spesielt de med udekket behov.
Etter å ha validert dem i aldrende celler, tester vi nå de tre kandidatene senolytika i menneskelig lungevev. Vi håper å rapportere våre neste resultater om to år.
Om forfatteren
Vanessa Smer-Barreto, stipendiat, Institutt for genetikk og molekylær medisin, Universitetet i Edinburgh
Denne artikkelen er publisert fra Den Conversation under en Creative Commons-lisens. Les opprinnelige artikkelen.
Relaterte bøker:
Kroppen holder poengsummen: Hjernens sinn og kropp i helbredelsen av traumer
av Bessel van der Kolk
Denne boken utforsker sammenhengene mellom traumer og fysisk og mental helse, og tilbyr innsikt og strategier for helbredelse og bedring.
Klikk for mer info eller for å bestille
Pust: The New Science of a Lost Art
av James Nestor
Denne boken utforsker vitenskapen og praksisen med å puste, og tilbyr innsikt og teknikker for å forbedre fysisk og mental helse.
Klikk for mer info eller for å bestille
Planteparadokset: De skjulte farene i "sunn" mat som forårsaker sykdommer og vektøkning
av Steven R. Gundry
Denne boken utforsker koblingene mellom kosthold, helse og sykdom, og tilbyr innsikt og strategier for å forbedre generell helse og velvære.
Klikk for mer info eller for å bestille
Immunitetskoden: Det nye paradigmet for ekte helse og radikal antialdring
av Joel Greene
Denne boken tilbyr et nytt perspektiv på helse og immunitet, og trekker på prinsipper for epigenetikk og tilbyr innsikt og strategier for å optimalisere helse og aldring.
Klikk for mer info eller for å bestille
Den komplette guiden til faste: Helbred kroppen din gjennom periodisk, vekslende dag og forlenget faste
av Dr. Jason Fung og Jimmy Moore
Denne boken utforsker vitenskapen og praksisen med faste og tilbyr innsikt og strategier for å forbedre generell helse og velvære.
