Peneliti menggunakan pendekatan pembelajaran mesin yang ampuh untuk menyaring jutaan bahan kimia untuk menemukan kandidat yang sesuai – Sains Terkini

Para ilmuwan di University of California, Riverside, telah menggunakan pembelajaran mesin untuk mengidentifikasi ratusan obat potensial baru yang dapat membantu mengobati COVID-19, penyakit yang disebabkan oleh virus corona baru, atau SARS-CoV-2.

"Ada kebutuhan mendesak untuk mengidentifikasi obat efektif yang mengobati atau mencegah COVID-19," kata Anandasankar Ray, profesor biologi molekuler, sel, dan sistem yang memimpin penelitian. "Kami telah mengembangkan jalur penemuan obat yang mengidentifikasi beberapa kandidat."

Pipa penemuan obat adalah jenis strategi komputasi yang terkait dengan kecerdasan buatan – algoritme komputer yang belajar memprediksi aktivitas melalui uji coba dan kesalahan, yang meningkat seiring waktu.

Tanpa akhir yang jelas terlihat, pandemi COVID-19 telah mengganggu kehidupan, sistem perawatan kesehatan yang tegang, dan ekonomi yang melemah. Upaya untuk menggunakan kembali obat, seperti Remdesivir, telah mencapai beberapa keberhasilan. Vaksin untuk virus SARS-CoV-2 mungkin akan tinggal beberapa bulan lagi, meskipun tidak ada jaminan.

"Akibatnya, jalur kandidat obat, seperti yang kami kembangkan, sangat penting untuk dikejar sebagai langkah pertama menuju penemuan sistematis obat baru untuk mengobati COVID-19," kata Ray. "Obat yang disetujui FDA yang menargetkan satu atau lebih protein manusia yang penting untuk masuk dan replikasi virus saat ini menjadi prioritas tinggi untuk digunakan kembali sebagai obat COVID-19 baru. Permintaan tinggi untuk obat tambahan atau molekul kecil yang dapat mengganggu masuk dan replikasi. SARS-CoV-2 di dalam tubuh. Saluran penemuan obat kami dapat membantu. "


Joel Kowalewski, seorang mahasiswa pascasarjana di lab Ray, menggunakan sejumlah kecil ligan yang sebelumnya diketahui untuk 65 protein manusia yang diketahui berinteraksi dengan protein SARS-CoV-2. Dia menghasilkan model pembelajaran mesin untuk setiap protein manusia.

"Model-model ini dilatih untuk mengidentifikasi penghambat dan penggerak molekul kecil baru – ligan – hanya dari struktur 3-D mereka," kata Kowalewski.

Dengan demikian, Kowalewski dan Ray mampu membuat database bahan kimia yang strukturnya diprediksi sebagai interaksi dari 65 target protein. Mereka juga mengevaluasi bahan kimia untuk keamanan.

"65 target protein cukup beragam dan terlibat dalam banyak penyakit tambahan, termasuk kanker," kata Kowalewski. "Terlepas dari upaya penggunaan kembali obat yang sedang berlangsung terhadap target ini, kami juga tertarik untuk mengidentifikasi bahan kimia baru yang saat ini tidak dipelajari dengan baik."

Ray dan Kowalewski menggunakan model pembelajaran mesin mereka untuk menyaring lebih dari 10 juta molekul kecil yang tersedia secara komersial dari database 200 juta bahan kimia, dan mengidentifikasi hasil terbaik di kelasnya untuk 65 protein manusia yang berinteraksi dengan protein SARS-CoV-2.

Selangkah lebih maju, mereka mengidentifikasi senyawa di antara hit yang sudah disetujui FDA, seperti obat-obatan dan senyawa yang digunakan dalam makanan. Mereka juga menggunakan model pembelajaran mesin untuk menghitung toksisitas, yang membantu mereka menolak kandidat yang berpotensi beracun. Ini membantu mereka memprioritaskan bahan kimia yang diperkirakan berinteraksi dengan target SARS-CoV-2. Metode mereka memungkinkan mereka untuk tidak hanya mengidentifikasi kandidat dengan skor tertinggi dengan aktivitas signifikan terhadap satu target protein manusia, tetapi juga menemukan beberapa bahan kimia yang diperkirakan menghambat dua atau lebih target protein manusia.

"Senyawa yang saya paling bersemangat untuk dikejar adalah senyawa yang diperkirakan mudah menguap, menyiapkan kemungkinan yang tidak biasa untuk terapi inhalasi," kata Ray.


"Secara historis, pengobatan penyakit menjadi semakin kompleks saat kita mengembangkan pemahaman yang lebih baik tentang penyakit dan bagaimana variabilitas genetik individu berkontribusi pada perkembangan dan keparahan gejala," kata Kowalewski. "Pendekatan pembelajaran mesin seperti yang kami miliki dapat memainkan peran dalam mengantisipasi lanskap pengobatan yang berkembang dengan memberi peneliti kemungkinan tambahan untuk studi lebih lanjut. Meskipun pendekatan ini sangat bergantung pada data eksperimental, penyaringan virtual dapat membantu peneliti mengajukan pertanyaan baru atau menemukan wawasan baru."

Ray dan Kowalewski berpendapat bahwa strategi komputasi mereka untuk penyaringan awal sejumlah besar bahan kimia memiliki keunggulan dibandingkan pengujian tradisional yang bergantung pada kultur sel yang mahal dan memerlukan waktu bertahun-tahun untuk menguji.

"Basis data kami dapat berfungsi sebagai sumber daya untuk mengidentifikasi dan menguji novel dengan cepat, strategi pengobatan yang aman untuk COVID-19 dan penyakit lain di mana 65 protein target yang sama relevan," katanya. "Sementara pandemi COVID-19 adalah yang memotivasi kami, kami berharap prediksi kami dari lebih dari 10 juta bahan kimia akan mempercepat penemuan obat dalam memerangi tidak hanya COVID-19 tetapi juga sejumlah penyakit lainnya."

Ray sedang mencari pendanaan dan kolaborator untuk bergerak menuju pengujian garis sel, model hewan, dan akhirnya uji klinis.

Makalah penelitian, "Memprediksi Obat Novel untuk SARS-CoV-2 menggunakan Pembelajaran Mesin dari> 10 Juta Ruang Kimia," muncul di jurnal Heliyon, jurnal interdisipliner dari Cell Press.

Teknologi tersebut telah diungkapkan kepada UCR Office of Technology Partnerships, dengan nomor kasus UC 2020-249, dan sedang dalam proses paten dengan judul "Senyawa terapeutik dan metode darinya."

You may also like...

Leave a Reply

This site uses Akismet to reduce spam. Learn how your comment data is processed.