Warning! You are currently using a domain is accessible on the regular internet, not on Tor. For better privacy and security, please use our onion domain instead.

Как искусственный интеллект открывает новые лекарства от боли

Paracelsus

Addictionist
Joined
Nov 23, 2021
Messages
311
Reaction score
337
Points
63
LWhzDtJ30q


Группа исследователей под руководством Юксина Яна и его коллег разработала инновационный фреймворк глубокого обучения под названием LISA-CPI, который объединяет молекулярную визуализацию и структурные представления белков для выявления потенциальных кандидатов в лекарственные препараты для лечения боли.

Хроническая боль является одной из основных глобальных проблем здравоохранения, а традиционные методы лечения боли, такие как опиоиды, связаны с серьезными побочными эффектами, такими как зависимость. Для решения этой проблемы Янг и др. представили новый метод, использующий искусственный интеллект (ИИ) для ускорения поиска неопиоидных обезболивающих средств, нацеленных на конкретные рецепторы, связанные с G-белками (GPCR), участвующие в сигнальных путях боли.

Уникальность LISA-CPI заключается в том, что она объединяет молекулярные изображения лекарственноподобных соединений и 3D-структурные представления белков, полученные с помощью усовершенствованного алгоритма AlphaFold2's Evoformer. Такой подход позволяет с высокой точностью предсказывать взаимодействия между соединениями и белками (CPI). Модель была обучена на более чем 10 миллионах немеченых молекул и оценена на 104 969 лигандах, взаимодействующих с 33 болевыми GPCR. По сравнению с существующими моделями, LISA-CPI продемонстрировала значительное повышение точности прогнозирования на 20 %, что подчеркивает ее потенциал для революции в области вычислительного открытия лекарств.

Одним из главных открытий в этом исследовании стала способность LISA-CPI выявлять повторно применяемые препараты, то есть препараты, которые изначально были разработаны для лечения других заболеваний, но могут быть эффективны и для лечения боли. Среди выявленных соединений были метилэргометрин и метаболиты кишечника, такие как цитиколин, которые показали многообещающее взаимодействие с GPCR, связанными с болью. Эти результаты открывают новые возможности для лечения боли, особенно с акцентом на неопиоидные мишени, что может значительно снизить риск привыкания и других побочных эффектов, связанных с современными обезболивающими препаратами.

Модель глубокого обучения была тщательно протестирована на широком спектре данных из баз данных ChEMBL и GLASS, и она неизменно превосходила другие методы машинного обучения, такие как ImageMol и CHEM-BERT. Превосходная точность LISA-CPI обусловлена его двойной направленностью - на изучение химического состава с помощью визуализации лигандов и на детальное понимание структуры белка с помощью 3D-представления пар белковых остатков. Такое сочетание делает его мощным инструментом для изучения взаимодействия лекарств и белков, которое имеет решающее значение для восприятия боли и других сложных заболеваний.

В дополнение к репозиционированию лекарств LISA-CPI также изучает потенциал метаболитов, получаемых из микробиоты кишечника, в лечении боли. Здоровье кишечника все чаще связывают с различными хроническими заболеваниями, включая боль. Используя LISA-CPI, команда обнаружила, что некоторые метаболиты, такие как цитиколин и NAD, вырабатываемые кишечными бактериями, например Bacteroides, могут иметь терапевтический потенциал в модулировании боли путем воздействия на GPCRs. Это открытие добавляет новый уровень сложности в лечение боли, предполагая, что манипуляции с микробиомом кишечника могут стать новым подходом к лечению боли.

Данное исследование знаменует собой значительный прогресс в открытии лекарств с помощью искусственного интеллекта, особенно в области лечения боли. Использование сложных моделей, подобных LISA-CPI, не только повышает точность прогнозов, но и ускоряет процесс выявления новых терапевтических возможностей, что делает их ценным активом в поиске более эффективных и безопасных методов обезболивания. Полный текст исследования, включая все данные и прогнозы, опубликован в журнале *Cell Reports Methods*, а доступ к нему можно получить по следующей ссылке (clearnet).

Если вам интересны подобные публикации, пожалуйста, реагируйте и оставляйте комментарии. Это послужит мне знаком для продолжения работы.
 
Top