Ett kombinerat team av biomedicinska forskare från Novartis Institutes for Biomedical Research och Microsoft Research AI4Science har gjort intåg i att lära AI-system hur man hittar nya mediciner. I deras studie, rapporterad i tidskriften Nature Communications , använde gruppen feedback från kemister på fältet för att ge intuitionsriktlinjer för en AI-modell.

Att hitta nya läkemedel är en notoriskt svår och mödosam uppgift. Processen för att hitta nya terapier involverar vanligtvis experter inom en mängd olika områden som arbetar med olika delar av problemet. Läkare och andra medicinska forskare måste till exempel först avslöja rötterna till en viss sjukdom för att hitta orsaken. Kemister eller andra medicinska forskare måste sedan hitta en kemikalie som kan vända problemet eller stoppa det från att hända i första hand.

Båda delarna av processen tar tid och ansträngning. I detta nya projekt försökte forskargruppen avgöra om AI-tillämpningar kan göra den andra delen enklare.

Ett av sätten att hitta nya läkemedel är genom intuition – en magkänsla hos en kemist att vissa kemikalier kan visa sig vara användbara för att behandla vissa åkommor. Denna intuition är svår att koda. Det kan ändras nu med tillkomsten av AI-applikationer.

För att tillämpa AI på problemet med läkemedelsutveckling bad forskarna om feedback från 45 kemister vars jobb det är att hitta nya läkemedel. Var och en ombads att välja från en lista med 220 kemiska par som de trodde hade goda chanser att bli en användbar drog genom att bara använda intuition från år av erfarenhet inom området.

Den feedbacken gavs sedan till AI-systemet, som rangordnade kemikaliepar baserat på vad det hade lärt sig - det svarade genom att ge varje par ett betyg baserat på dess uppskattningar av sannolikheten att läkemedlet skulle vara användbart. Forskargruppen skickade sedan de kemikaliepar som fick högst poäng till ett AI-baserat system som designar molekyler baserat på kemikalier som det ges – några av resultaten från systemet beskrevs av forskarna som lovande.

Forskargruppen testade sedan sitt system på droger som redan finns på marknaden och fann vad de beskriver som en "signal" att lära sig från kemistbaserade intuitionsdata – ett fynd som har övertygat dem om att ytterligare forskning är berättigad.

Mer information: Oh-Hyeon Choung et al, Extrahera medicinsk kemi-intuition via preferensmaskininlärning, Nature Communications (2023). DOI:10.1038/s41467-023-42242-1

Journalinformation: Nature Communications

© 2023 Science X Network