Uusien lääkkeiden löytäminen, jota kutsutaan "huumeiden löydökseksi", on kallis ja aikaa vievä tehtävä. Mutta eräänlainen tekoäly, jota kutsutaan koneoppimiseksi, voi nopeuttaa prosessia valtavasti ja tehdä työn murto-osalla hinnasta.
Kollegani ja minä käytimme äskettäin tätä tekniikkaa löytääksemme kolme lupaavaa ehdokasta senolyyttisille lääkkeille – lääkkeille, jotka hidastavat ikääntymistä ja ehkäisevät ikääntymiseen liittyviä sairauksia.
Senolytics toimii tappamalla ikääntyvät solut. Nämä ovat soluja, jotka ovat "eläviä" (aineenvaihdunnallisesti aktiivisia), mutta jotka eivät enää pysty replikoitumaan, mistä johtuu niiden lempinimi: zombiesolut.
Kyvyttömyys toistaa ei välttämättä ole huono asia. Nämä solut ovat vaurioituneet DNA:ssaan – esimerkiksi auringonsäteiden vaurioittamat ihosolut – joten replikaation pysäyttäminen estää vaurion leviämisen.
Mutta vanhenevat solut eivät aina ole hyvä asia. Ne erittävät a tulehduksellisten proteiinien cocktail joka voi levitä viereisiin soluihin. Koko eliniän ajan solumme kärsivät hyökkäyksestä UV-säteilystä kemikaaleille altistumiseen, joten nämä solut kerääntyvät. Kohonneet ikääntyvien solujen määrät on liitetty a erilaisia sairauksiamukaan lukien tyypin 2 diabetes, COVID, keuhkofibroosi, nivelrikko ja syöpä.
Tutkimukset laboratoriohiirillä ovat osoittaneet, että vanhenevien solujen poistaminen käyttämällä senolyytit, voi parantaa näitä sairauksia. Nämä lääkkeet voivat tappaa zombisoluja pitäen samalla terveet solut elossa.
Noin 80 senolyyttisiä aineita tunnetaan, mutta vain kaksi on testattu ihmisillä: yhdistelmä dasatinibi ja kversetiini. Olisi hienoa löytää lisää senolyyttejä, joita voidaan käyttää erilaisiin sairauksiin, mutta se vie 20-XNUMX vuotta ja miljardeja dollareita jotta lääke pääsisi markkinoille.
Tulokset viidessä minuutissa
Kollegani ja minä – mukaan lukien tutkijat Edinburghin yliopistosta ja Espanjan kansallisesta tutkimusneuvostosta IBBTEC-CSIC:stä Santanderissa Espanjassa – halusimme tietää, voisimmeko kouluttaa koneoppimismalleja uusien senolyyttisten lääkeaineiden kandidaattien tunnistamiseksi.
Tätä varten syötimme tekoälymalleihin esimerkkejä tunnetuista senolyyttiset ja ei-senolyyttiset aineet. Mallit oppivat erottamaan nämä kaksi toisistaan, ja niitä voitiin käyttää ennustamaan, voisivatko molekyylit, joita he eivät koskaan ennen nähneet, myös senolyyttisiä.
Kun ratkaisemme koneoppimisongelmaa, testaamme yleensä ensin dataa useilla eri malleilla, koska jotkut niistä toimivat yleensä paremmin kuin toiset. Parhaan suorituskyvyn mallin määrittämiseksi erotamme prosessin alussa pienen osan käytettävissä olevasta harjoitustiedosta ja pidämme sen piilossa mallista, kunnes koulutusprosessi on valmis. Käytämme sitten näitä testaustietoja mallin tekemien virheiden kvantifiointiin. Se, joka tekee vähiten virheitä, voittaa.
Määritimme parhaan mallimme ja asetimme sen tekemään ennusteita. Annoimme sille 4,340 XNUMX molekyyliä ja viisi minuuttia myöhemmin se toimitti luettelon tuloksista.
Tekoälymalli tunnisti 21 eniten pisteytettyä molekyyliä, joiden se katsoi olevan erittäin todennäköisesti senolyyttisiä. Jos olisimme testannut alkuperäisiä 4,340 50,000 molekyyliä laboratoriossa, olisi vaatinut vähintään muutaman viikon intensiivistä työtä ja XNUMX XNUMX puntaa pelkkä yhdisteiden ostaminen, kun ei oteta huomioon kokeellisen laitteiston ja asennuksen kustannuksia.
Testasimme sitten näitä lääkekandidaatteja kahdentyyppisillä soluilla: terveillä ja vanhentuvilla soluilla. Tulokset osoittivat, että 21 yhdisteestä kolme (periplosiini, oleandriini ja ginkgetiini) kykeni poistamaan vanhenevia soluja pitäen samalla suurimman osan normaaleista soluista elossa. Näitä uusia senolyyttejä testattiin sitten lisätestauksilla saadakseen lisätietoja niiden toiminnasta kehossa.
Yksityiskohtaisemmat biologiset kokeet osoittivat, että kolmesta lääkkeestä oleandriini oli tehokkaampi kuin lajissaan parhaiten toimiva tunnettu senolyyttinen lääke.
Tämän tieteidenvälisen lähestymistavan – datatieteilijöiden, kemistien ja biologien – mahdolliset vaikutukset ovat valtavat. Riittävän korkealaatuisen datan ansiosta tekoälymallit voivat nopeuttaa kemistien ja biologien hämmästyttävää työtä löytääkseen hoitoja ja parannuskeinoja sairauksiin – erityisesti niihin, joita ei tarvitse täyttää.
Kun olemme validoineet ne vanhentuvissa soluissa, testaamme nyt kolmea ehdokasta senolyyttistä ainetta ihmisen keuhkokudoksessa. Toivomme, että voimme raportoida seuraavat tulokset kahden vuoden kuluttua.
Author
Vanessa Smer-Barreto, tutkija, Genetiikan ja molekyylilääketieteen instituutti, Edinburghin yliopisto
Tämä artikkeli julkaistaan uudelleen Conversation Creative Commons -lisenssin alla. Lue alkuperäinen artikkeli.
Liittyvät kirjat:
Keho pitää pisteet: Aivomieli ja keho trauman paranemisessa
esittäjä (t): Bessel van der Kolk
Tämä kirja tutkii trauman ja fyysisen ja henkisen terveyden välisiä yhteyksiä ja tarjoaa oivalluksia ja strategioita paranemiseen ja palautumiseen.
Klikkaa saadaksesi lisätietoja tai tilataksesi
Breath: kadonneen taiteen uusi tiede
Kirjailija: James Nestor
Tämä kirja tutkii hengityksen tieteitä ja käytäntöjä ja tarjoaa oivalluksia ja tekniikoita fyysisen ja henkisen terveyden parantamiseksi.
Klikkaa saadaksesi lisätietoja tai tilataksesi
Kasviparadoksi: "terveellisten" elintarvikkeiden piilotetut vaarat, jotka aiheuttavat sairauksia ja painonnousua
Kirjailija: Steven R. Gundry
Tämä kirja tutkii ruokavalion, terveyden ja sairauksien välisiä yhteyksiä ja tarjoaa oivalluksia ja strategioita yleisen terveyden ja hyvinvoinnin parantamiseksi.
Klikkaa saadaksesi lisätietoja tai tilataksesi
Immunity Code: Uusi paradigma todelliselle terveydelle ja radikaalille ikääntymisen estämiselle
Kirjailija: Joel Greene
Tämä kirja tarjoaa uuden näkökulman terveyteen ja immuniteettiin, hyödyntäen epigenetiikan periaatteita ja tarjoaa oivalluksia ja strategioita terveyden ja ikääntymisen optimoimiseksi.
Klikkaa saadaksesi lisätietoja tai tilataksesi
Täydellinen opas paastoon: paranna kehosi jaksoittaisella, vuorotellen ja pitkällä paastolla
Tohtori Jason Fung ja Jimmy Moore
Tämä kirja tutkii paastoamisen tiedettä ja käytäntöä ja tarjoaa oivalluksia ja strategioita yleisen terveyden ja hyvinvoinnin parantamiseksi.
