Att upptäcka och designa ett nytt läkemedel är en av de mest utmanande uppgifterna inom de biologiska vetenskaperna. Det tar över 10 år och cirka 2,6 miljarder USD att få ut ett genomsnittligt läkemedel på marknaden.

Den väsentliga idén bakom att göra ett nytt läkemedel är att skapa en molekyl som binder till ett mål, såsom ett protein eller DNA, för att aktivera eller hämma dess biologiska funktion. Den där, i tur och ordning, bör leda till en terapeutisk fördel för patienten.

Helst läkemedlet ska vara mycket selektivt, vilket innebär att den binder starkt till målmolekylen utan att påverka några andra liknande molekyler och att den kommer överens med människans metabola system. Det finns många steg innan läkemedlet kan komma ut på marknaden, inklusive toxicitetstester, tre faser av kliniska prövningar och mätningar för att bestämma lämplig dos.

Medan många människor blev överraskade av kraften i artificiell intelligens när AlphaGo slog mänskliga experter på Go för första gången för några år sedan, det var inte klart om AI kunde ta itu med vetenskapliga utmaningar.

Men, förra december, Googles DeepMind vann tävlingen Critical Assessment of Structure Prediction med sitt senaste artificiella intelligenssystem, AlphaFold. Denna tävling erkänner den teknologi som bäst kan konstruera ett proteins 3D-struktur från biologiska sekvenser. AlphaFold kunde vinna 25 av 43 tävlingar med hög precision. Som jämförelse, det näst bästa laget vann bara tre.

AlphaFolds dominerande vinst inleder en ny era av vetenskaplig forskning. Forskare som jag är spända på vad framtiden kan ha för biomedicin. AI kommer att göra upptäckten av nya läkemedel betydligt snabbare och billigare. Detta kan vara särskilt fördelaktigt för patienter med sällsynta medicinska åkommor, för vilka läkemedelsupptäckt för närvarande inte är lönsamt eller för dem vars medicinska besvär för närvarande inte kan behandlas effektivt med läkemedel, som Alzheimers sjukdom.

Automatiserad läkemedelsdesign

Dock, läkemedelsdesign är mycket mer komplex än förutsägelse av proteinveckning.

Generativa kontradiktoriska nätverk, en banbrytande typ av artificiell intelligens-program, kan vara en prototyp för automatiserad läkemedelsupptäckt. En del av programmet genererar potentiella molekyler som kan användas i droger, medan den andra sårar bort okvalificerade kandidater baserat på befintlig databasinformation och idealiska läkemedelskrav.

Generatorn lär sig av misstagen som fångas av diskriminatorn tills diskriminatorn är nöjd.

Ett av de största hindren för automatiserad läkemedelsdesign är problemets extrema storlek. Ett typiskt mänskligt protein och dess bindande läkemedel har många, många möjliga konfigurationer. Även om en dator räknar upp en möjlig konfiguration per sekund, det skulle fortfarande ta längre tid än universum har existerat att nå rätt konfiguration.

Inte ens alla världens datorer tillsammans har tillräckligt med kraft för att designa droger automatiskt.

Att reda ut molekylerna

I mitt labb, vi tacklar dessa utmaningar matematiskt. Vårt arbete fokuserar på att minska den geometriska komplexiteten hos enskilda proteiner för datorer. Varje protein har en unik form som påverkar vilka molekyler det kan binda till. Vi har introducerat tre matematiska metoder som kraftigt ökar datorns förmåga att representera nya läkemedelsmolekyler och hur de kan interagera med proteiner i människokroppen.

Till exempel, den första metoden använder differentialgeometri, en teknik som användes av Einstein för att formulera sin allmänna relativitetsteori som förklarade rymden, tid och stjärnornas rörelser. Vi använder den för att beskriva kontaktytor och interaktioner mellan proteiner och läkemedel. Det gör det lättare för datorn att bedöma hur proteinet skulle reagera på en given läkemedelsmolekyl.

En annan metod kallas algebraisk topologi, som ger en högnivåabstraktion av protein-läkemedelsinteraktioner så att en dator lätt kan förstå skillnaden mellan ett lämpligt läkemedel och ett lockbete. Den andra metoden, grafteori, undersöker de många olika sätt ett protein kan interagera med ett läkemedel, såsom vätebindning, elektrostatiska interaktioner eller reaktioner på vatten. Genom att studera alla dessa möjliga interaktioner, vi kan hålla utkik efter allt som kan vara skadligt för människors hälsa.

Effekten av våra matematiska metoder är bäst relaterad genom D3R Grand Challenges, en årlig världsomspännande tävling där deltagare ställer sina verktyg mot föreskrivna drogposerings- och bindningsproblem. Vi vann 14 procent av tävlingarna i Grand Challenge 2 2016, förbättra detta till en vinstgrad på 38 procent i Grand Challenge 3 2017. Den andra vinnaren hade en vinstgrad på 19 procent.

I den senaste Grand Challenge 4, preliminära resultat tyder på att vi kan ha de bästa förutsägelserna i 50 procent av tävlingarna. Vårt tillvägagångssätt är tiotusentals gånger snabbare än traditionella metoder baserade på molekylära simuleringar.

Stimulerad av denna framgång, vi har ingått partnerskap med Pfizer för att förbättra matematiska AI-verktyg för virtuell screening och med Bristol-Myers Squibb för att förutsäga läkemedelseffekt och optimera doser.

Att integrera avancerad matematik och AI ger ett kraftfullt sätt att söka efter nya läkemedel. Det kan vara så, bara ett decennium på vägen, AI will become a leading force for new drug discovery, leading to less expensive and more efficient drugs.

Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln.