Nýtt gervigreindartæki getur flýtt fyrir uppgötvun lyfja með myndum

Vinnun í gervigreind (AI) er að umbreyta uppgötvun lyfja. Framfarir í djúpt nám, undirmengi vélanáms, gera vísindamönnum kleift að bera kennsl á mynstur á sviðum þar sem mikið magn er af flóknum gögnum, svo sem myndgreiningu.

Í nýrri rannsókn sem birt var á fimmtudaginn árið Náttúruvéla greind , vísindamenn í Japan bjuggu til AI djúpt tauganet til að vinna upplýsingar um próteinvirkni úr myndum sem teknar voru með kryó-rafeindasmásjá (cryo-EM).

„Tæknileg bylting í cryogenic electron microscopy (cryo-EM) byggðri einni agna greiningu hefur gert kleift að leysa uppbyggingu fjölmargra próteina með atóm eða nær atóm upplausn, þar með talin mjög stór stórsameind sem ekki var hægt að leysa uppbyggingu með hefðbundnum aðferðum,“ skrifuðu vísindamennirnir. „Að ákvarða virkni eiginleika þessara stórsameinda, byggt á leystum uppbyggingum þeirra, getur bætt skilning okkar á virkni þeirra.“

Mörg lyf vinna með því að bindast markpróteini til að breyta virkni þess. Flest lyf uppgötvun er gerð með markmiðaðri (á móti svipgerð byggðri) nálgun þar sem vísindamenn gera tilgátur um hvaða kjarnsýrur eða prótein sem miða á til að meðhöndla tiltekna sjúkdóma og aðstæður.

Efnasambönd eru aukin af ýmsum ástæðum, þar á meðal til að draga úr eituráhrifum, bæta leysni og auka sækni við markpróteinið. Að hafa kort af vinnupallinum á próteinbindingsstaðnum flýtir fyrir skilningi á því hvernig hægt er að efla efnasambönd fyrir æskileg einkenni.

Með þekkingu á þrívíddar próteinbyggingu og kristöllunarástandi efnasambands geta vísindamenn samkristallað það með markpróteinum til að fá arkitektúr próteinsbandsins.

Í lífefnafræði er líand sameind, jón eða eitt atóm sem binst próteini á þann hátt sem hægt er að snúa við. Ligands geta komið fyrir í náttúrunni eða verið framleidd á tilbúinn hátt í rannsóknarstofu. Þegar bönd bindast próteinum geta þau virkjað efnaleiðir. Andhverfuþáttur línanda gerir það kleift að starfa sem boðberi - hvorki markpróteini né liðinu sjálfu er varanlega breytt.

Leiðin að því að fá þetta lífefnafræðilega kort er í gegnum myndgreiningu, sem sögulega hefur verið áskorun í ljósi þess að rafeindasmásjáir með mikilli upplausn skemma lifandi frumur. Nánar tiltekið eyðileggja sterkir rafeindageislar og tómarúmsskilyrði rafeindasmásjáa (TEM) líffræðisameindir. Til að leysa þetta þróuðu vísindamenn kryó-rafeindasmásjá á áttunda áratug síðustu aldar, aðferð sem notar frosin eintök undir minna áköfum rafeindargeislum. Næstu árin náðu rafeindasmásjá fyrir lífsameindir fjölda úrbóta.

Um miðjan '70 til miðjan '80 þróaði Joachim Frank við Columbia háskólann í New York tækni til að búa til þrívíddar uppbyggingu með mikilli upplausn úr vinnslu og sameiningu tvívíðra mynda með lægri upplausn. Jacques Dubochet við Háskólann í Lausanne í Sviss fann út hvernig hægt væri að gera líffræðilegum sameindum kleift að halda lögun sinni í lofttæmi með því að glerblása vatn snemma á níunda áratugnum með hraðri kælivatni umhverfis líffræðilega sýnið. Árið 1990 náði Richard Henderson við MRC rannsóknarstofu í sameindalíffræði í Cambridge í Bretlandi atómupplausn þrívíddarmynda af próteinum með rafeindasmásjá.

Saman fengu Dubochet, Frank og Henderson Nóbelsverðlaunin í efnafræði árið 2017 fyrir að leggja sitt af mörkum til kaldra smásjártækni (bókstaflega og táknrænt) sem gerir vísindamönnum kleift að sjá lífefnafræðilega ferli við lotuupplausn og framleiða þrívíddar uppbyggingu líffræðilegra sameinda.

Að hafa atómupplausn þrívíddar uppbyggingar líffræðilegra sameinda er aðeins eitt stykki af lyfjagjafarjöfnunni. Næst kemur erfiður liður í því að hafa vit fyrir þessum háupplausnarmyndum - tímafrekt og flókið verkefni fyrir mannsaugað. Þetta er þar sem gervigreindarvélanám getur hjálpað.

Fyrir þessa rannsókn notaði japanska rannsóknarteymið Yasushi Okuno, Kei Terayama, Shigeyuki Matsumoto, Shoichi Ishida, Mitsugu Araki og Takayuki Kato djúpt nám til að búa til virkni útdráttar frá cryo-EM korti (DEFMap) - þrívítt taugakerfi net (CNN). Vísindamennirnir þjálfuðu DEFMap á 25 cryo-EM kortum úr Electron Microscopy Data Bank (EMDB) og prófuðu það síðan með þremur cryo-EM kortum í viðbót.

„Með því að treysta eingöngu á cryo-EM kort veitti DEFMap árangursríkum upplýsingum sem jafngilda því sem ákvarðað er með sameindagreiningu (MD) eftirlíkingum og tilraunaaðferðum á lotukerfinu og leifarstigi,“ skrifuðu vísindamennirnir.„Að auki gæti DEFMap greint gangverkbreytingar sem tengjast sameindarviðurkenningu og meðfylgjandi jafnvægisbreytingum í myndunarstarfsemi, sem koma af stað ýmsum líffræðilegum atburðum eins og umbreytingu merkja og ensímhvarf.“

Nú með þessari sönnun á hugtaki hafa vísindamenn sýnt fram á að beiting gervigreindar (AI) vélanáms getur dregið fram þýðingarmikið mynstur úr cryo-EM próteinmyndum - djúpt námstæki með möguleika á að flýta fyrir uppgötvun lyfja í framtíðinni.

Höfundarréttur © 2021 Cami Rosso Öll réttindi áskilin.