Dirbtinis intelektas atveria naujas ribas kuriant RNR vaistus

Dirbtinis intelektas atveria naujas ribas kuriant RNR vaistus

Šiuolaikinės medicinos srityje RNR pagrįstos terapijos pasirodė esąs daug žadantis būdas, nes padaryta didelė pažanga medžiagų apykaitos ligų, onkologijos ir profilaktinių vakcinų srityse. Neseniai paskelbtas straipsnisMechaninė inžinerijaYilin Yan, Tianyu Wu, Honglin Li, Yang Tang ir Feng Qian „AI skatinamų RNR vaistų kūrimo ateitis“ tyrinėja, kaip dirbtinis intelektas (AI) gali pakeisti RNR vaistų kūrimą, pašalindamas dabartinius apribojimus ir suteikdamas naujų naujovių galimybių.

Straipsnyje pabrėžiamas RNR terapijos potencialas ir pažymima, kad RNR vaistai turi didesnį sėkmės rodiklį, palyginti su tradiciniais vaistais. Pavyzdžiui, Alnylam Pharmaceuticals teigia, kad RNR trukdančių vaistų (RNRi) kumuliacinis perėjimo greitis iš 1 klinikinės fazės į 3 fazę siekia 64,4%, o tai yra žymiai didesnis nei tradicinių vaistų sėkmės rodiklis – 5–7%. Be to, RNR vaistų atradimo terminai paprastai matuojami mėnesiais, o ne metais, reikalingais tradiciniams vaistams, ir yra susiję su mažesnėmis išlaidomis. Tačiau, nepaisant šių pranašumų, dabartiniai eksperimentiniai metodai, tokie kaip CRISPR, ir skaičiavimo metodai, tokie kaip RNR sekos nustatymas, vis dar neatitinka greičio ir įvairovės kuriant RNR vaistus.

Dirbtinis intelektas yra pasirengęs užpildyti šią spragą. Straipsnyje pabrėžiamas AI gebėjimas panaudoti lygiagretųjį skaičiavimą ir mokytis sudėtingų modelių iš didelio duomenų kiekio, taip pašalinant esamų metodų apribojimus. Dirbtinio intelekto pagrįsti metodai gali padidinti vaistų kūrimo efektyvumą ir atverti naujų galimybių identifikuoti naujoviškus vaistus. Autoriai apibūdina tris pagrindines strategijas, kurias AI gali naudoti siekdami pažangos kuriant RNR vaistus: duomenimis pagrįstus metodus, mokymosi strategija pagrįstus metodus ir giliu mokymusi pagrįstus metodus.

Duomenimis pagrįsti metodai suteikia pagrindą, panaudojant didelius duomenų rinkinius ir taisyklių gavybos metodus, kad būtų galima išskirti reikšmingus modelius ir ryšius tarp RNR molekulių ir jų struktūrų ar biologinių funkcijų. Mokymosi strategija pagrįsti metodai naudoja tokius metodus kaip priežastinis išvadas ir mokymąsi sustiprinti, kad optimizuotų sprendimų priėmimo procesus. Giluminiu mokymusi pagrįsti metodai, kurie rodo aukštesnį sudėtingumo ir automatizavimo lygį, naudoja didelius kalbos modelius, tokius kaip ChatGPT, kad būtų galima analizuoti ilgas RNR sekas ir palaikyti funkcinių RNR de novo dizainą.

Straipsnyje įsivaizduojama būsima dirbtinio intelekto valdomų RNR vaistų kūrimo darbo eiga, pagrįsta interaktyvia programine įranga. Ši sistema turėtų dvi pagrindines grįžtamojo ryšio kilpas: vidinę kilpą, kurioje pagrindinis dėmesys skiriamas platforma pagrįstam dizainui, siekiant pagerinti AI modelių veikimą, ir išorinę kilpą, integruojančią realaus pasaulio duomenis, kad būtų nuolat tobulinamas vaistų kūrimas. Darbo eiga prasidėtų nuo visapusiško RNR duomenų skaitmeninimo, o po to būtų pritaikytas vaistų kandidatų projektavimas, vaistų vertinimai, automatizuota sintezė ir biologiniai eksperimentai preliminariam klinikiniam patvirtinimui. Tada atrinkti vaistų kandidatai būtų suderinti su tinkamomis tiekimo sistemomis ir naudojami internetiniame modeliavime, kad būtų galima anksti stebėti pristatymo dinamiką, vaistų poveikį ir skilimo procesus žmogaus organizme.

Autoriai nustato keletą sudėtingų tyrimų temų artimiausiai ateičiai, įskaitant didelės raiškos visapusišką vizualizaciją, individualizuotą RNR vaistų kūrimą ir redaguojamos RNR generavimo platformos kūrimą. Dėl šios pažangos galima gauti išsamesnį ir interaktyvesnį RNR struktūrų ir jų elgesio biologinėse sistemose atvaizdavimą ir sudaryti sąlygas sukurti labai individualizuotus RNR vaistus, pritaikytus individualiems genetiniams profiliams.

AI skatinamų RNR vaistų kūrimo ekonominė ir socialinė nauda yra nepaprasta. Dirbtinio intelekto valdoma automatizacija sumažina daug darbo reikalaujančių užduočių ir leidžia greičiau bei tiksliau identifikuoti RNR taikinius, todėl sutaupoma lėšų ir pagreitėja RNR terapijos bandymai. Kadangi platforma plečiasi pramoniniu mastu, ji užtikrina pastovią vaistų kokybę ir didesnį sąnaudų efektyvumą per optimizuotus, pakartojamus procesus.

AI integravimas į RNR vaistų kūrimą gali pakeisti terapijos ateitį. Naudodami dirbtinio intelekto galimybes, mokslininkai gali sistemingai tyrinėti naujas RNR struktūras, nustatyti perspektyvius vaistų kandidatus ir paspartinti vaistų kūrimo procesą, galiausiai sukurdami tvaresnius ir ekonomiškesnius plėtros modelius, turinčius toli siekiančius pranašumus.

Šaltiniai: