Sztuczna inteligencja otwiera nowe granice w projektowaniu leków RNA

Sztuczna inteligencja otwiera nowe granice w projektowaniu leków RNA

W dziedzinie współczesnej medycyny terapie oparte na RNA okazały się obiecującą drogą, przy znaczącym postępie w chorobach metabolicznych, onkologii i szczepionkach zapobiegawczych. Niedawno opublikowany artykuł wInżynieria mechaniczna„Przyszłość rozwoju leków RNA napędzanych sztuczną inteligencją” autorstwa Yilin Yan, Tianyu Wu, Honglin Li, Yang Tang i Feng Qian bada, w jaki sposób sztuczna inteligencja (AI) może zrewolucjonizować rozwój leków RNA, eliminując obecne ograniczenia i zapewniając nowe możliwości dla innowacji.

W artykule podkreślono potencjał terapii RNA i zauważono, że leki RNA mają wyższy wskaźnik skuteczności w porównaniu z lekami tradycyjnymi. Na przykład firma Alnylam Pharmaceuticals twierdzi, że skumulowany współczynnik przejścia leków zakłócających RNA (RNAi) z fazy klinicznej 1 do fazy 3 osiąga 64,4%, czyli znacznie więcej niż wskaźnik skuteczności tradycyjnego leku wynoszący 5–7%. Ponadto ramy czasowe odkrywania leków RNA są zazwyczaj mierzone w miesiącach, a nie w latach wymaganych w przypadku tradycyjnych leków, i wiążą się z niższymi kosztami. Jednak pomimo tych zalet obecne techniki eksperymentalne, takie jak CRISPR i metody obliczeniowe, takie jak sekwencjonowanie RNA, nadal nie spełniają wymagań dotyczących szybkości i różnorodności w opracowywaniu leków RNA.

Sztuczna inteligencja jest w stanie wypełnić tę lukę. W artykule podkreślono zdolność sztucznej inteligencji do wykorzystania obliczeń równoległych i uczenia się złożonych wzorców na podstawie dużych ilości danych, eliminując w ten sposób ograniczenia istniejących metod. Podejścia oparte na sztucznej inteligencji mogą zwiększyć efektywność opracowywania leków i otworzyć nowe możliwości identyfikacji innowacyjnych kandydatów na leki. Autorzy przedstawiają trzy główne strategie, które sztuczna inteligencja może wykorzystać do napędzania postępów w opracowywaniu leków RNA: podejścia oparte na danych, podejścia oparte na strategii uczenia się i podejścia oparte na głębokim uczeniu się.

Podejścia oparte na danych stanowią podstawę, wykorzystując duże zbiory danych i techniki eksploracji reguł w celu wyodrębnienia znaczących wzorców i powiązań między cząsteczkami RNA a ich strukturami lub funkcjami biologicznymi. Podejścia oparte na strategii uczenia się wykorzystują techniki takie jak wnioskowanie przyczynowe i uczenie się przez wzmacnianie w celu optymalizacji procesów decyzyjnych. Podejścia oparte na głębokim uczeniu się, które reprezentują wyższy poziom złożoności i automatyzacji, wykorzystują duże modele językowe, takie jak ChatGPT, do analizy długich sekwencji RNA i wspierają projektowanie funkcjonalnych RNA de novo.

W artykule przedstawiono przyszły przebieg prac nad opracowywaniem leków RNA opartych na sztucznej inteligencji w oparciu o interaktywny system oparty na oprogramowaniu. System ten miałby dwie kluczowe pętle informacji zwrotnej: pętlę wewnętrzną, która skupia się na projektowaniu opartym na platformie w celu poprawy wydajności modeli sztucznej inteligencji, oraz pętlę zewnętrzną, która integruje dane ze świata rzeczywistego w celu ciągłego udoskonalania opracowywania leków. Przepływ pracy rozpoczynałby się od kompleksowej digitalizacji danych RNA, a następnie spersonalizowanego projektowania kandydatów na leki, oceny leków, automatycznej syntezy i eksperymentów biologicznych w celu wstępnej walidacji klinicznej. Wybrani kandydaci na leki zostaną następnie dopasowani do odpowiednich systemów dostarczania i wykorzystani w symulacji online w celu wczesnej obserwacji dynamiki dostarczania, działania leków i procesów degradacji w organizmie człowieka.

Autorzy identyfikują kilka trudnych tematów badawczych na najbliższą przyszłość, w tym wszechstronną wizualizację w wysokiej rozdzielczości, opracowywanie spersonalizowanych leków RNA oraz rozwój edytowalnej platformy do generowania RNA. Postępy te mogą doprowadzić do pełniejszej i interaktywnej reprezentacji struktur RNA i ich zachowania w układach biologicznych oraz umożliwić opracowanie wysoce spersonalizowanych leków RNA dostosowanych do indywidualnych profili genetycznych.

Korzyści gospodarcze i społeczne wynikające z opracowywania leków RNA opartych na sztucznej inteligencji są niezwykłe. Automatyzacja oparta na sztucznej inteligencji ogranicza pracochłonne zadania i umożliwia szybszą i dokładniejszą identyfikację celów RNA, co skutkuje oszczędnościami i przyspieszonym testowaniem terapii RNA. W miarę skalowania przemysłowego platforma zapewnia stałą jakość leków i większą efektywność kosztową dzięki zoptymalizowanym, powtarzalnym procesom.

Włączenie sztucznej inteligencji do opracowywania leków RNA może potencjalnie zmienić przyszłość terapii. Wykorzystując możliwości sztucznej inteligencji, badacze mogą systematycznie badać nowe struktury RNA, identyfikować obiecujących kandydatów na leki i przyspieszać prace nad lekami, co ostatecznie prowadzi do bardziej zrównoważonych i ekonomicznych modeli rozwoju przynoszących dalekosiężne korzyści.

Źródła: