MEDİMAGAZİN - Günümüzde bilim insanları, "de novo ilaç tasarımı" olarak da bilinen, doğru özelliklere ve karakteristiklere sahip yeni sentetik ilaç bileşikleri tasarlamak için ileri teknoloji kullanmaktadır. Ancak mevcut yöntemler emek, zaman ve maliyet açısından yoğun olabiliyor.
ChatGPT'nin popülerliğinden ilham alan ve bu yaklaşımın ilaç tasarım sürecini hızlandırıp hızlandıramayacağını merak eden Orange, California'daki Chapman Üniversitesi Schmid Bilim ve Teknoloji Koleji'ndeki bilim insanları, Pharmaceuticals dergisinde yer alan "Transformatör Tabanlı Makine Çevirisi ve Uyarlanabilir Monte-Carlo Ağaç Aramasının Takviye Öğrenimi Kullanılarak De Novo İlaç Tasarımı" başlıklı yeni bir makalede ayrıntılı olarak açıklanan kendi GenAI modellerini oluşturmaya karar verdiler.
Araştırmacılar, bilinen kimyasalların büyük bir veri kümesini, hedef proteinlere nasıl bağlandıklarını ve kimyasal yapı ve özelliklerin kurallarını ve sözdizimini öğrenmek için bir model kodladı.
Sonuçta, temel kimyasal ve biyolojik kısıtlamaları takip eden ve hedeflerine etkili bir şekilde bağlanan sayısız benzersiz moleküler yapı üretilebiliyor ve bu da çok çeşitli hastalıklar için uygun ilaç adaylarını belirleme sürecini maliyetin çok altında bir maliyetle büyük ölçüde hızlandırmayı vaat ediyor.
Muhteşem sonuçlar
Çığır açan modeli oluşturmak için araştırmacılar, biyoinformatik ve kemoinformatik alanlarında ilk kez iki son teknoloji yapay zeka tekniğini entegre etti: iyi bilinen "Kodlayıcı-Kod Çözücü Dönüştürücü mimarisi" ve "Monte Carlo Ağaç Arama yoluyla Takviyeli Öğrenme" (RL-MCTS). Uygun bir şekilde "drugAI" olarak adlandırılan platform, kullanıcıların bir hedef protein dizisi (örneğin, tipik olarak kanser ilerlemesinde yer alan bir protein) girmelerine olanak tanır.
Kapsamlı kamu veritabanı BindingDB'den alınan veriler üzerinde eğitilen DrugAI, sıfırdan benzersiz moleküler yapılar oluşturabilir ve ardından adayları yinelemeli olarak rafine ederek finalistlerin ilgili ilaç hedeflerine güçlü bağlanma afiniteleri sergilemesini sağlar - potansiyel ilaçların etkinliği için çok önemlidir. Model, bu belirli proteinleri inhibe etmesi muhtemel 50-100 yeni molekülü tanımlıyor.
Dr. Atamian, "Bu yaklaşım, daha önce hiç düşünülmemiş potansiyel bir ilaç üretmemizi sağlıyor" dedi. "Test edildi ve onaylandı. Şimdi muhteşem sonuçlar görüyoruz."
Geçerlilik oranı %100
Araştırmacılar drugAI'nin ürettiği molekülleri çeşitli kriterlere göre değerlendirdi ve drugAI'nin sonuçlarının diğer iki yaygın yöntemden elde edilenlere benzer kalitede ve bazı durumlarda daha iyi olduğunu buldu. Araştırmacılar drugAI'nin aday ilaçlarının geçerlilik oranının %100 olduğunu, yani üretilen ilaçların hiçbirinin eğitim setinde bulunmadığını tespit etti.
DrugAI'nin aday ilaçları ayrıca ilaç benzerliği veya bir bileşiğin özelliklerinin oral ilaçların özelliklerine benzerliği açısından da ölçüldü ve aday ilaçlar diğer modellerden en az %42 ve %75 daha yüksekti. Ayrıca, drugAI tarafından üretilen tüm moleküller, geleneksel sanal tarama yaklaşımlarıyla tanımlananlarla karşılaştırılabilir şekilde, ilgili hedeflere güçlü bağlanma afiniteleri sergiledi.
