En ny pipeline av AI och simuleringsverktyg kan göra processen att screena läkemedelskandidater för COVID-19 50, 000 gånger snabbare.

För att hitta ett läkemedel som kan stoppa SARS-CoV-2-viruset, forskare vill screena miljarder molekyler för rätt kombination av egenskaper. Processen är vanligtvis riskabel och långsam, tar ofta flera år. Dock, ett internationellt team av forskare säger att de har hittat ett sätt att göra processen 50, 000 gånger snabbare med artificiell intelligens (AI).

Tio organisationer, inklusive U.S. Department of Energys (DOE) Argonne National Laboratory, har utvecklat en pipeline av AI och simuleringstekniker för att påskynda upptäckten av lovande läkemedelskandidater för covid-19, sjukdomen orsakad av SARS-CoV-2-viruset. Pipelinen heter IMPECCABLE, förkortning för Integrated Modeling PipelinE for COVID Cure by Assessing Better Leads.

"Med den AI vi har implementerat, vi har kunnat screena fyra miljarder potentiella läkemedelskandidater på bara en dag, medan befintliga beräkningsverktyg bara realistiskt kan granska en till 10 miljoner, sa Thomas Brettin, strategisk programledare på Argonne.

Varför ett integrerat tillvägagångssätt behövs

IMPECCABLE integrerar flera tekniker för databehandling, fysikbaserad modellering och simulering, och maskininlärning, en form av AI som använder mönster i data för att generera prediktiva modeller.

"Vi integrerar flera tillvägagångssätt eftersom det inte finns någon enskild algoritm eller metod som ensam kan arbeta med stor effektivitet och noggrannhet, " sa Argonnes beräkningsbiolog Arvind Ramanathan. "Om vi ​​bara förlitade oss på simuleringar, det skulle ta oss år att hitta ett troligt mål, även med de snabbaste superdatorerna."

Komponenter i rörledningen

I början av pipelinen, beräkningstekniker används för att beräkna de grundläggande egenskaperna hos miljarder molekyler. Dessa data används i nästa steg av pipelinen för att skapa maskininlärningsmodeller som kan förutsäga hur troligt det är att en given molekyl kommer att binda till ett känt viralt protein. De som befunnits vara mest lovande simuleras sedan på högpresterande datorsystem.

"Proteiner är flytande strukturer, och simuleringar visar oss nya konformationer för dem. Vi använder dem för att förbättra våra maskininlärningsmodeller, " sa Argonne beräkningsforskare Austin Clyde. "Den iterativa processen fortsätter tills vi kan validera att de molekyler vi har identifierat som sannolikt att binda till SARS-CoV-2-proteiner har lovande."

Mycket stora experimentella datauppsättningar samlas också in från tusentals proteinkristaller med hjälp av röntgenstrålar vid Advanced Photon Source (APS), en DOE Office of Science User Facility på Argonnes campus. Tekniken de använder för att få dessa data är känd som röntgenkristallografi. Med det, forskare kan ta detaljerade bilder av virala proteiner och deras kemiska tillstånd för att förbättra noggrannheten i deras maskininlärningsmodeller.

"Sedan pandemins början, vi har kunnat bestämma över 45 högupplösta kristallstrukturer av SARS-CoV-2-proteiner och deras komplex med andra föreningar. Denna informationen, i kombination med beräkningsanalys, kan ge kritiska insikter för ytterligare strukturbaserade läkemedelsdesigninsatser och möjliggöra design av högre affinitetshämmare och, slutligen terapeutika som kan användas för att behandla covid-19, sade Andrzej Joachimiak, direktör för Structural Biology Center (SBC) vid strållinje 19-ID-D i APS.

De slutliga målen för pipelinen är att (1) förstå funktionen av virala proteiner; (2) identifiera molekyler med hög potential att binda till dessa proteiner och, som ett resultat, blockera SARS-CoV-2-spridning; och (3) leverera denna insikt till läkemedelsdesigners och utvecklare för vidare forskning och utveckling.

"Till skillnad från den traditionella metoden, där du litar på att forskaren tänker riktigt hårt och, baserat på vad de vet, komma med idéer till en molekyl, med vår pipeline kan du screena ett stort antal molekyler automatiskt, ökar dramatiskt din chans att hitta en trolig kandidat, sa Ian Foster, chef för Argonnes Data Science and Learning-division.