Nowy model chemiczny wskazuje kandydatów na składniki leków wielokierunkowych
Naukowcy z Uniwersytetu w Bonn opracowali proces bazujący na sztucznej inteligencji, który potrafi przewidywać potencjalne składniki aktywne o specjalnych adekwatnościach. W tym celu stworzyli model językowy chemii, który można określić jako ChatGPT dla molekuł.
Po etapie wstępnym sztuczna inteligencja była w stanie dokładnie odtworzyć struktury chemiczne związków o znanej aktywności dwukierunkowej, które mogą być szczególnie skutecznymi lekami. Badanie zostało opublikowane w czasopiśmie „Cell Reports Physical Science”.
Związki o zdefiniowanej aktywności wielokierunkowej są kandydatami do leczenia chorób o wielokierunkowej etiologii. Takie związki są często odkrywane eksperymentalnie. Projektowanie związków o pożądanej aktywności wobec dwóch celów zwykle odbywa się dzięki fuzji farmakoforów. Ponadto można opracować modele oparte na uczeniu maszynowym do przewidywania aktywności wielokierunkowej związków lub profilowania ich celów obliczeniowych. Zaproponowano warianty chemicznego modelu językowego oparte na transformatorach, przeznaczone do generowania związków działających na dwa cele jednocześnie.
Alternatywne modele były wstępnie trenowane poprzez uczenie się odwzorowań związków o aktywności wobec jednego celu na związki o aktywności wobec dwóch celów o rosnącym stopniu podobieństwa. Różne modele zoptymalizowano do generowania związków o aktywności wobec par funkcjonalnie niepowiązanych. Ostateczne modele były w stanie dokładnie odtworzyć znane związki dwukierunkowe, które zostały wykluczone z procesu ich opracowywania. Ponadto wygenerowano wiele strukturalnych analogów takich związków, co dodatkowo potwierdzało trafność metodologii.
Źródło:
Srinivasan, S & Bajorath, J., (2024) Generation of Dual-Target Compounds Using a Transformer Chemical Language Model. Cell Reports Physical Science, doi.org/10.1016/j.xcrp.2024.102255.
