Исследователи использовали методы искусственного интеллекта, чтобы значительно ускорить поиск методик лечения болезни Паркинсона.
Учёные из Кембриджского университета в Великобритании разработали и использовали метод на базе искусственного интеллекта, чтобы найти соединения, препятствующие слипанию альфа-синуклеина — белка, ассоциированного с болезнью Паркинсона.
Команда использовала методы машинного обучения для быстрого просмотра химической библиотеки, содержащей миллионы записей, и определила пять высокоэффективных соединений для дальнейшего изучения.
Болезнью Паркинсона страдают более шести миллионов человек во всем мире и, по прогнозам, к 2040 году это число утроится. В настоящее время не существует методов лечения этого заболевания. Поиск новых лекарственных средств среди обширных химических библиотек, который должен быть проведён до клинических испытаний на пациентах, требует значительных временных и финансовых затрат и часто не приносит результатов.
Используя машинное обучение, исследователи смогли ускорить процесс первоначального скрининга в десять раз и снизить стоимость в тысячу раз. Это может привести к более быстрому внедрению перспективных методов лечения болезни Паркинсона. Результаты опубликованы в журнале «Nature Chemical Biology».
Болезнь Паркинсона является самым быстрорастущим неврологическим заболеванием во всем мире. По статистике, в Великобритании каждый 37-й человек сталкивается с этим недугом в течение жизни. Помимо двигательных проявлений, болезнь также затрагивает желудочно-кишечный тракт, нервную систему, режим сна, эмоциональное состояние и когнитивные функции, что существенно снижает качество жизни и может привести к инвалидности.
Белки играют ключевую роль в различных клеточных процессах, однако при развитии болезни Паркинсона их функции нарушаются, что приводит к гибели нервных клеток. Если белки сворачиваются неправильно, они могут формировать аномальные скопления, известные как тельца Леви. Эти тельца накапливаются в клетках мозга, мешая их нормальной работе.
«Один из путей поиска потенциальных методов лечения болезни Паркинсона требует выявления небольших молекул, которые могут тормозить агрегацию альфа-синуклеина, белка, тесно связанного с заболеванием, – говорит Микеле Вендрусколо, профессор химического факультета Юсуфа Хамида Кембриджского университета, руководитель исследования. – Это чрезвычайно трудоемкий процесс, ведь даже определение ведущего кандидата для дальнейшего тестирования может занять месяцы или даже годы».
Несмотря на то, что в настоящее время проводятся клинические испытания для лечения болезни Паркинсона, ни один модифицирующий заболевание препарат не был одобрен, что отражает неспособность напрямую воздействовать на молекулярные виды, вызывающие заболевание.
Это стало серьезным препятствием в исследованиях болезни Паркинсона из-за отсутствия методов определения правильных молекулярных объектов для взаимодействия с ними. Этот технологический разрыв серьезно затруднил разработку эффективных методов лечения.
Кембриджская команда разработала метод ИИ-обучения, при котором химические библиотеки, содержащие миллионы соединений, проверяются на предмет выявления небольших молекул, которые связываются с амилоидными агрегатами и блокируют их пролиферацию.
После этого было проведено экспериментальное тестирование небольшого количества высокоэффективных соединений с целью определения наиболее мощных ингибиторов агрегации. Полученные данные из этих экспериментов повторно вводили в модель машинного обучения. В результате нескольких итераций удалось выявить высокоэффективные соединения.
«Мы перешли от экспериментального скрининга к вычислительному. Благодаря данным, собранным в ходе начального скрининга с использованием нашей модели машинного обучения, мы обучили её выявлять определённые участки небольших молекул, которые отвечают за связывание. Теперь мы можем провести повторный скрининг и найти более эффективные молекулы», – рассказывает профессор Микеле Вендрусколо.
Используя этот метод, кембриджская команда разработала соединения, нацеленные на очаги на поверхности агрегатов, которые отвечают за экспоненциальное распространение самих агрегатов. Эти соединения в сотни раз эффективнее и намного дешевле в разработке, чем те, о которых сообщалось ранее.
По словам Вендрусколо, машинное ИИ-обучение может значительно повлиять на процессы поиска препаратов, ускоряя выявление наиболее перспективных вариантов их разработки. Для специалистов это открывает возможность начала работы не над одной, а сразу над несколькими программами по поиску лекарств. Всё благодаря значительному сокращению времени и затрат.
Комментарии