Nowości
Sztuczna inteligencja odsiewa fałszywe tropy w poszukiwaniu leków na gruźlicę
Naukowcy z Texas A&M AgriLife opracowali model CAGE-Fusion, który z 94-procentową skutecznością wyłapuje związki chemiczne pozornie skuteczne przeciw gruźlicy, ale w rzeczywistości fałszywe. Narzędzie ma skrócić proces poszukiwania nowych leków na chorobę, która wciąż zabija najwięcej ludzi spośród infekcji na świecie.
Spis treści
Zespół z Texas A&M AgriLife Research pod kierunkiem Jamesa Sacchettiniego opracował model sztucznej inteligencji, który ma rozwiązać jeden z najbardziej czasochłonnych problemów w poszukiwaniu leków na gruźlicę: odróżnianie związków naprawdę skutecznych od tych, które tylko wyglądają obiecująco w laboratorium.
Gruźlica, wywoływana przez bakterię Mycobacterium tuberculosis, należy do najstarszych chorób znanych medycynie, a mimo to nadal umyka wielu terapiom. Prątek gruźlicy ma grubą, woskowatą otoczkę, która blokuje dostęp większości leków do wnętrza komórki, a przy tym rośnie wyjątkowo wolno, przez co pojedynczy eksperyment laboratoryjny potrafi trwać miesiącami zamiast tygodni.
Problem fałszywych tropów
Poszukiwanie nowego leku zaczyna się od przesiewania tysięcy związków chemicznych pod kątem aktywności wobec bakterii. Znaczna część kandydatów, które w pierwszym teście wyglądają obiecująco, po dokładniejszej analizie okazuje się bezużyteczna. Naukowcy nazywają je "nuisance molecules", czyli związkami uciążliwymi: zlepiają się w roztworze, zakłócają sygnał chemiczny testu, reagują zamiast się wiązać z celem, albo przyczepiają się jednocześnie do wielu różnych struktur zamiast działać wybiórczo.
Odsianie takich fałszywych tropów ręcznie pochłania miesiące pracy zespołów badawczych, zanim w ogóle dojdzie do testowania właściwych kandydatów na lek. Sacchettini opisał ten problem wprost, wskazując, że koszt czasowy takich pomyłek jest ogromny.
Te uciążliwe cząsteczki kosztowały nas mnóstwo czasu - James Sacchettini, Texas A&M AgriLife Research
Jak działa CAGE-Fusion
CAGE-Fusion to model uczący się na opublikowanych danych z przesiewów chemicznych, który klasyfikuje związki pod kątem czterech typów problematycznego zachowania: zlepiania się cząsteczek, zakłócania sygnału testu, nadmiernej reaktywności chemicznej oraz wiązania z wieloma celami zamiast jednym. W testach porównawczych, w których model musiał odróżnić jeden podejrzany związek od jednego czystego, trafność sięgnęła około 94 procent, choć skuteczność różni się w zależności od kategorii. Związki wysoce reaktywne są najłatwiejsze do wykrycia, a te wiążące się z wieloma celami jednocześnie sprawiają najwięcej trudności.
Zespół podkreśla, że narzędzie nie ma zastępować chemików ani wskazywać gotowego leku, lecz odsiewać ślepe uliczki, zanim laboratorium zainwestuje w nie tygodnie pracy.
Nie liczymy na to, że AI poda nam dokładnie właściwą odpowiedź. Ale może nam powiedzieć, nad czym nie warto pracować, co z kolei podpowiada, czym powinniśmy się zająć - James Sacchettini, Texas A&M AgriLife Research
Baza wiedzy zamiast rozproszonych danych
Obok CAGE-Fusion laboratorium Sacchettiniego rozwija DAIKON, otwartą platformę uruchomioną w 2023 roku, która śledzi historię badań nad danym celem molekularnym od odkrycia genu po lata prac chemicznych w jednym miejscu. Z platformy korzysta cały Tuberculosis Drug Accelerator, konsorcjum laboratoriów i firm wspierane przez Fundację Gatesa. Siddhant Rath i Saswati Panda z tego samego zespołu zbudowali dodatkowe narzędzie oparte na czacie, które pozwala badaczom w ciągu kilku sekund odnaleźć wcześniejsze wyniki i materiały dotyczące danej cząsteczki, zamiast przeszukiwać archiwa ręcznie.
Dlaczego to ma znaczenie
Gruźlica zabija rocznie więcej ludzi niż jakakolwiek inna choroba zakaźna, a najbardziej dotyka regionów o niskich dochodach, gdzie dostęp do nowych terapii bywa ograniczony. Przypadki lekooporne oraz koinfekcje z HIV wymagają jeszcze dłuższego leczenia, co dodatkowo obciąża systemy ochrony zdrowia. Automatyzacja etapu odsiewania fałszywych kandydatów na lek nie gwarantuje przełomu terapeutycznego, ale realnie skraca czas, jaki zespoły badawcze tracą na ślepe uliczki, co w przypadku wolno rosnącej bakterii ma szczególne znaczenie.
Dla polskiego czytelnika to kolejny przykład, jak modele uczenia maszynowego wchodzą do etapów badań przedklinicznych, które wcześniej wymagały wyłącznie żmudnej pracy laboratoryjnej. Podobne podejścia, łączące uczenie maszynowe z klasycznym przesiewem chemicznym, coraz częściej pojawiają się też w polskich ośrodkach badawczych zajmujących się poszukiwaniem nowych antybiotyków.
