AI Drug Discovery
Jak działa
Typowy potok AI Drug Discovery obejmuje: (1) identyfikację celu — modele analizują dane omiczne i literaturę, by wskazać białka/geny powiązane z chorobą; (2) przewidywanie struktury celu — narzędzia typu AlphaFold modelują strukturę 3D białka; (3) generowanie i przesiewanie związków — modele generatywne (np. autoenkodery wariacyjne, modele dyfuzyjne, sieci grafowe) projektują cząsteczki de novo, a wirtualny docking/QSAR ocenia dopasowanie do celu; (4) optymalizację leadów — modele przewidują potencję, selektywność i profil ADMET, kierując iteracyjną poprawą; (5) walidację eksperymentalną — najlepsi kandydaci są syntetyzowani i testowani, a wyniki wracają jako dane treningowe (pętla aktywnego uczenia).
Rozwiązany problem
Tradycyjne odkrywanie leków jest wolne, kosztowne i nieefektywne: przeszukanie ogromnej przestrzeni chemicznej (rzędu 10^60 możliwych cząsteczek), identyfikacja właściwego celu biologicznego i optymalizacja związku metodą prób i błędów zajmują lata, a większość kandydatów odpada w badaniach przedklinicznych i klinicznych. AI redukuje tę przestrzeń poszukiwań, przewiduje powinowactwo, selektywność i właściwości ADMET oraz priorytetyzuje najbardziej obiecujące związki, zanim trafią do laboratorium.
Komponenty
Modele głębokiego uczenia przewidujące strukturę 3D białka z sekwencji aminokwasów, dostarczające celu strukturalnego dla projektowania leków.
Modele (VAE, GAN, dyfuzyjne, grafowe) projektujące nowe struktury chemiczne o pożądanych właściwościach.
Obliczeniowa ocena dopasowania związków do kieszeni wiążącej celu, zawężająca miliony związków do najbardziej obiecujących.
Modele przewidujące wchłanianie, dystrybucję, metabolizm, wydalanie i toksyczność, ograniczające późne niepowodzenia.
Implementacja
Wysokiej jakości, spójne dane bioaktywności są rzadkie i zaszumione; modele łatwo uczą się artefaktów zamiast prawdziwej biologii.
Modele zawodzą na nowych klasach chemicznych i przy 'urwiskach aktywności', gdzie drobna zmiana struktury drastycznie zmienia aktywność.
Ewolucja
Zespół używający głębokich sieci neuronowych wygrywa konkurs QSAR na Kaggle, pokazując przewagę deep learningu nad klasycznymi metodami przewidywania aktywności związków.
DeepMind prezentuje AlphaFold 1, wygrywając konkurs przewidywania struktur białek CASP13.
AlphaFold2 wygrywa CASP14 z wynikiem powyżej 90 w globalnym teście odległości, faktycznie rozwiązując problem przewidywania struktury białek.
DSP-1181 (Exscientia i Sumitomo Dainippon Pharma) wchodzi do I fazy badań klinicznych jako jedna z pierwszych cząsteczek zaprojektowanych przy użyciu AI.
Insilico Medicine ogłasza INS018_055 przeciw idiopatycznemu włóknieniu płuc — kandydata z celem odkrytym przez AI i cząsteczką zaprojektowaną przez AI.
DeepMind ogłasza AlphaFold 3, przewidujący kompleksy białek z ligandami, DNA i RNA; Hassabis i Jumper otrzymują Nagrodę Nobla z chemii 2024 za przewidywanie struktur białek.