Когда вы принимаете лекарство, вы хотите точно знать, что оно делает. Фармацевтические компании проходят обширное тестирование, чтобы убедиться в этом, сообщает mzhost.ru.
С новой техникой, основанной на глубоком обучении, созданной в инженерной школе Брауна Университета Райса, они могут скоро лучше понять, как разрабатываемые лекарственные препараты будут действовать в организме человека.
Рисовая лаборатория компьютерного ученого Лидии Кавраки представила Metabolite Translator, вычислительный инструмент, который предсказывает метаболиты, продукты взаимодействия между небольшими молекулами, такими как лекарства и ферменты.
Исследователи Райс используют методы глубокого обучения и доступность массивных наборов данных о реакциях, чтобы дать разработчикам полную картину того, что будет делать препарат. Этот метод не ограничен правилами, которые компании используют для определения метаболических реакций, открывая путь к новым открытиям.
«Когда вы пытаетесь определить, является ли соединение потенциальным лекарством, вы должны проверить его на токсичность», - сказал Кавраки. «Вы хотите подтвердить, что он делает то, что должен, но вы также хотите знать, что еще может произойти».
Исследование Кавраки, ведущего автора и аспиранта Элени Лица и выпускницы Райс Пайел Дас из Исследовательского центра Томаса Дж. Ватсона IBM, подробно описано в журнале Chemical Science Королевского химического общества .
Исследователи обучили Metabolite Translator предсказывать метаболиты с помощью любого фермента, но измерили его успех в сравнении с существующими основанными на правилах методами, ориентированными на ферменты в печени. Эти ферменты отвечают за детоксикацию и устранение ксенобиотиков, таких как лекарства, пестициды и загрязнители. Однако метаболиты могут образовываться и с помощью других ферментов.
«Наши тела - это сеть химических реакций», - сказала Лица. «У них есть ферменты, которые действуют на химические вещества и могут разрывать или образовывать связи, которые превращают их структуру во что-то, что может быть токсичным или вызывать другие осложнения. Существующие методологии сосредоточены на печени, потому что большинство ксенобиотических соединений метаболизируются там. Благодаря нашей работе мы» re пытается захватить человеческий метаболизм в целом.
«Безопасность лекарства зависит не только от самого лекарства, но и от метаболитов, которые могут образоваться при переработке лекарства в организме», - сказала Лица.
По ее словам, появление архитектур машинного обучения, которые работают со структурированными данными, такими как химические молекулы, делает эту работу возможной. Трансформатор был представлен в 2017 году как метод перевода последовательности, который нашел широкое применение в языковых переводах.
Metabolite Translator основан на SMILES (для «упрощенной молекулярной системы ввода строки и ввода»), методе обозначений, который использует простой текст, а не диаграммы для представления химических молекул.
«Мы делаем то же самое, что переводим язык, например, с английского на немецкий», - сказала Лица.
Из-за отсутствия экспериментальных данных лаборатория использовала трансферное обучение для разработки Metabolite Translator. Сначала они предварительно обучили модель Трансформера 900000 известных химических реакций, а затем скорректировали ее с данными о метаболических преобразованиях человека.
Исследователи сравнили результаты Metabolite Translator с результатами нескольких других методов прогнозирования, проанализировав известные последовательности SMILES 65 лекарственных препаратов и 179 метаболизирующих ферментов. Хотя Metabolite Translator был обучен на общем наборе данных, не относящемся к лекарствам, он работал так же хорошо, как и обычно используемые методы на основе правил, которые были специально разработаны для лекарств. Но он также идентифицировал ферменты, которые обычно не участвуют в метаболизме лекарств и не были обнаружены существующими методами.
«У нас есть система, которая может предсказывать так же хорошо, как и системы, основанные на правилах, и мы не вводили в нашу систему никаких правил, требующих ручной работы и экспертных знаний», - сказал Кавраки. «Используя метод, основанный на машинном обучении, мы обучаем систему пониманию метаболизма человека без необходимости явно кодировать эти знания в форме правил. Два года назад эта работа была бы невозможна».
Кавраки - профессор компьютерных наук Ноя Хардинга, профессор биоинженерии, машиностроения, электротехники и вычислительной техники, а также директор Института Кена Кеннеди Райса. Университет Райса и Научно-исследовательский институт профилактики рака Техаса поддержали исследование.
