När du tar en medicin, du vill veta exakt vad den gör. Läkemedelsföretag går igenom omfattande tester för att säkerställa att du gör det.

Med en ny djupinlärningsbaserad teknik skapad vid Rice Universitys Brown School of Engineering, de kan snart få bättre koll på hur läkemedel under utveckling kommer att fungera i människokroppen.

Datavetaren Lydia Kavrakis rislabb har introducerat Metabolite Translator, ett beräkningsverktyg som förutsäger metaboliter, produkterna av interaktioner mellan små molekyler som läkemedel och enzymer.

Rice-forskarna drar fördel av djupinlärningsmetoder och tillgången på massiva reaktionsdatauppsättningar för att ge utvecklare en bred bild av vad ett läkemedel kommer att göra. Metoden är obegränsad av regler som företag använder för att fastställa metaboliska reaktioner, öppna en väg till nya upptäckter.

"När du försöker avgöra om en förening är en potentiell drog, du måste kontrollera för toxicitet, " sa Kavraki. "Du vill bekräfta att den gör vad den ska, men du vill också veta vad mer som kan hända."

Forskningen av Kavraki, huvudförfattare och doktorand Eleni Litsa och Rice-alumnen Payel Das från IBM:s Thomas J. Watson Research Center, beskrivs i tidskriften Royal Society of Chemistry Kemivetenskap.

Forskarna utbildade Metabolite Translator att förutsäga metaboliter genom vilket enzym som helst, men mätte dess framgång mot de befintliga regelbaserade metoderna som är fokuserade på enzymerna i levern. Dessa enzymer är ansvariga för att avgifta och eliminera xenobiotika, som droger, bekämpningsmedel och föroreningar. Dock, metaboliter kan också bildas genom andra enzymer.

"Våra kroppar är nätverk av kemiska reaktioner, " Sa Litsa. "De har enzymer som verkar på kemikalier och kan bryta eller bilda bindningar som förändrar deras strukturer till något som kan vara giftigt, eller orsaka andra komplikationer. Befintliga metoder fokuserar på levern eftersom de flesta främlingsfientliga föreningar metaboliseras där. Med vårt arbete, vi försöker fånga mänsklig metabolism i allmänhet.

"Säkerheten för ett läkemedel beror inte bara på läkemedlet i sig utan också på de metaboliter som kan bildas när läkemedlet bearbetas i kroppen, sa Litsa.

Framväxten av maskininlärningsarkitekturer som arbetar på strukturerad data, som kemiska molekyler, göra arbetet möjligt, Hon sa. Transformer introducerades 2017 som en sekvensöversättningsmetod som har fått stor användning inom språköversättning.

Metabolite Translator är baserad på SMILES (för "förenklat molekylärt ingångssystem för linjeingång"), en notationsmetod som använder vanlig text snarare än diagram för att representera kemiska molekyler.

"Det vi gör är exakt detsamma som att översätta ett språk, som engelska till tyska, sa Litsa.

På grund av bristen på experimentella data, labbet använde transfer learning för att utveckla Metabolite Translator. De förutbildade först en Transformer-modell på 900, 000 kända kemiska reaktioner och finjusterade det sedan med data om mänskliga metaboliska transformationer.

Forskarna jämförde Metabolite Translator-resultaten med de från flera andra prediktiva tekniker genom att analysera kända SMILES-sekvenser av 65 läkemedel och 179 metaboliserande enzymer. Även om Metabolite Translator utbildades i en allmän datauppsättning som inte är specifik för droger, det fungerade lika bra som vanliga regelbaserade metoder som har utvecklats specifikt för droger. Men den identifierade också enzymer som inte vanligtvis är involverade i läkemedelsmetabolism och som inte hittades med befintliga metoder.

"Vi har ett system som kan förutsäga lika bra med regelbaserade system, och vi har inte lagt in några regler i vårt system som kräver manuellt arbete och expertkunskap, ", sa Kavraki. "Med en maskininlärningsbaserad metod, vi tränar ett system för att förstå människans ämnesomsättning utan behov av att uttryckligen koda denna kunskap i form av regler. Det här arbetet skulle inte ha varit möjligt för två år sedan."

Kavraki är Noah Harding professor i datavetenskap, professor i bioteknik, maskinteknik och el- och datateknik och chef för Rices Ken Kennedy Institute. Rice University och Cancer Prevention and Research Institute of Texas stödde forskningen.