Mākslīgais intelekts paver jaunas robežas RNS zāļu izstrādē

Mākslīgais intelekts paver jaunas robežas RNS zāļu izstrādē

Mūsdienu medicīnas jomā uz RNS balstītas terapijas ir izrādījušies daudzsološs ceļš ar ievērojamu progresu vielmaiņas slimību, onkoloģijas un profilaktisko vakcīnu jomā. Nesen publicēts rakstsMašīnbūveYilin Yan, Tianyu Wu, Honglin Li, Yang Tang un Feng Qian “AI virzītas RNS zāļu izstrādes nākotne” pēta, kā mākslīgais intelekts (AI) var mainīt RNS zāļu izstrādi, novēršot pašreizējos ierobežojumus un sniedzot jaunas iespējas inovācijai.

Rakstā ir uzsvērts RNS terapijas potenciāls un atzīmēts, ka RNS zālēm ir augstāki panākumu rādītāji salīdzinājumā ar tradicionālajām zālēm. Piemēram, Alnylam Pharmaceuticals apgalvo, ka RNS traucējumu zāļu (RNSi) kumulatīvā pārejas ātrums no 1. klīniskās fāzes uz 3. fāzi sasniedz 64,4%, kas ir ievērojami augstāks nekā tradicionālo zāļu panākumu rādītājs 5-7%. Turklāt RNS zāļu atklāšanas termiņi parasti tiek mērīti mēnešos, nevis gados, kas nepieciešami tradicionālajām zālēm, un tie ir saistīti ar zemākām izmaksām. Tomēr, neskatoties uz šīm priekšrocībām, pašreizējās eksperimentālās metodes, piemēram, CRISPR, un skaitļošanas metodes, piemēram, RNS sekvencēšana, joprojām neatbilst prasībām pēc ātruma un daudzveidības RNS zāļu izstrādē.

Mākslīgais intelekts ir gatavs aizpildīt šo plaisu. Rakstā ir uzsvērta AI spēja izmantot paralēlo skaitļošanu un apgūt sarežģītus modeļus no liela datu apjoma, tādējādi novēršot esošo metožu ierobežojumus. AI virzītas pieejas var palielināt zāļu izstrādes efektivitāti un pavērt jaunas iespējas inovatīvu zāļu kandidātu identificēšanai. Autori izklāsta trīs galvenās stratēģijas, ko AI var izmantot, lai veicinātu RNS zāļu izstrādi: uz datiem balstītas pieejas, uz mācīšanās stratēģiju balstītas pieejas un uz dziļu mācīšanos balstītas pieejas.

Uz datiem balstītas pieejas nodrošina pamatu, izmantojot lielas datu kopas un noteikumu ieguves metodes, lai iegūtu jēgpilnus modeļus un attiecības starp RNS molekulām un to struktūrām vai bioloģiskajām funkcijām. Mācību stratēģijas virzītas pieejas izmanto tādas metodes kā cēloņsakarības secinājumi un pastiprinoša mācīšanās, lai optimizētu lēmumu pieņemšanas procesus. Uz dziļu mācīšanos balstītas pieejas, kas atspoguļo augstāku sarežģītības un automatizācijas līmeni, izmanto lielus valodu modeļus, piemēram, ChatGPT, lai analizētu garas RNS sekvences un atbalstītu funkcionālo RNS de novo dizainu.

Rakstā ir iedomāta nākotnes darbplūsma AI vadītu RNS zāļu izstrādei, kuras pamatā ir interaktīva, programmatūras sistēma. Šai sistēmai būtu divas galvenās atgriezeniskās saites cilpas: iekšējā cilpa, kas koncentrējas uz platformas dizainu, lai uzlabotu AI modeļu veiktspēju, un ārēja cilpa, kas integrē reālās pasaules datus, lai nepārtraukti uzlabotu zāļu izstrādi. Darbplūsma sāksies ar visaptverošu RNS datu digitalizāciju, kam sekos personalizēts zāļu kandidātu dizains, zāļu novērtējumi, automatizēta sintēze un bioloģiskie eksperimenti provizoriskai klīniskai apstiprināšanai. Pēc tam atlasītie zāļu kandidāti tiktu saskaņoti ar piemērotām piegādes sistēmām un izmantoti tiešsaistes simulācijā, lai agrīni novērotu piegādes dinamiku, zāļu iedarbību un degradācijas procesus cilvēka organismā.

Autori identificē vairākas izaicinošas pētniecības tēmas tuvākajā nākotnē, tostarp augstas izšķirtspējas visaptveroša vizualizācija, personalizēta RNS zāļu izstrāde un rediģējamas RNS ģenerēšanas platformas izstrāde. Šie sasniegumi varētu radīt pilnīgāku un interaktīvāku RNS struktūru un to uzvedības attēlojumu bioloģiskajās sistēmās un ļautu izstrādāt ļoti personalizētas RNS zāles, kas pielāgotas individuāliem ģenētiskajiem profiliem.

AI vadītu RNS zāļu izstrādes ekonomiskie un sociālie ieguvumi ir ievērojami. AI vadīta automatizācija samazina darbietilpīgus uzdevumus un ļauj ātrāk un precīzāk identificēt RNS mērķus, tādējādi ietaupot izmaksas un paātrinot RNS terapiju testēšanu. Tā kā platforma tiek mērogota rūpnieciski, tā nodrošina nemainīgu zāļu kvalitāti un lielāku izmaksu efektivitāti, izmantojot optimizētus, atkārtojamus procesus.

AI integrācija RNS zāļu izstrādē var pārveidot terapijas nākotni. Izmantojot mākslīgā intelekta iespējas, pētnieki var sistemātiski izpētīt jaunas RNS struktūras, identificēt daudzsološus zāļu kandidātus un paātrināt zāļu izstrādes gaitu, galu galā radot ilgtspējīgākus un ekonomiskākus attīstības modeļus ar tālejošiem ieguvumiem.

Avoti: