Подготовка к будущей пандемии с помощью искусственного интеллекта
Во время пандемии COVID-19 врачам и учёным срочно потребовалось огромное количество информации о вирусе и реакции организма. Более 4% мировых исследований в 2020 году были посвящены COVID-19. Учёные Тихоокеанской северо-западной национальной лаборатории (PNNL) применяют методы искусственного интеллекта (ИИ) для анализа этих данных и ускорения поиска методов лечения.
Контрфактическое моделирование для оценки индивидуального эффекта лечения
Исследователи использовали подход, основанный на контрфактическом рассуждении, чтобы смоделировать влияние лечения на отдельных пациентов. Они создали граф знаний, объединяющий биохимические данные о коронавирусе и иммунном ответе.
На этой основе алгоритм ИИ моделировал исходы для гипотетических пациентов с разной вирусной нагрузкой, получавших разные дозы препарата. Цель — предсказать, выжил бы пациент без лечения или при другой дозе. Этот метод даёт более точную оценку потенциальной пользы лечения для конкретного человека по сравнению с алгоритмами, предсказывающими средний результат.
Работа опубликована в специальном выпуске IEEE Transactions on Big Data и является частью инициативы PNNL Mathematics for Artificial Reasoning in Science (MARS).
Молекулярное моделирование для поиска существующих лекарств
Учёные из PNNL и Медицинской школы Вашингтонского университета провели скрининг более 13 000 соединений из библиотек существующих препаратов на способность ингибировать вирусный белок nsp15.
Комбинация высокопроизводительных биохимических тестов и ИИ-скрининга выявила одно перспективное соединение — Exebryl-1. Оно изначально разрабатывалось для лечения болезни Альцгеймера.
Специалисты PNNL использовали ИИ-молекулярное моделирование, чтобы предсказать сайт связывания Exebryl-1 с nsp15. Масс-спектрометрические измерения в Environmental Molecular Sciences Laboratory (EMSL) подтвердили связывание. Exebryl-1 показал умеренную противовирусную активность против SARS-CoV-2.
Хотя само соединение не стало кандидатом для немедленного применения, подход демонстрирует, как ИИ может помочь модифицировать структуру известных молекул для повышения их эффективности против нового патогена. Исследование поддержано National Virtual Biotechnology Laboratory и опубликовано в PLoS ONE.
Генерация новых терапевтических кандидатов с помощью графовых нейронных сетей
Другой подход — использование графовых нейронных сетей (GNN) для создания библиотек совершенно новых молекул-кандидатов.
Учёные PNNL и Национальной лаборатории Аргонн тестировали два метода генерации молекул, способных ингибировать ключевой белок вируса — протеазу SARS-CoV-2:
- Обучение на известных ингибиторах: Алгоритм обучался на более чем 7000 молекул, ингибирующих различные вирусные протеазы. Этот метод генерировал молекулы, похожие на известные.
- Поэтапная сборка "с нуля": Алгоритм строил молекулу атом за атомом, оптимизируя желаемые лекарственные свойства. Этот метод создавал ранее неизвестные структуры.
Первый подход может ускорить поиск препаратов для перепрофилирования, второй — вносит вариативность на ранних этапах сложного поиска противовирусных средств. Исследование является частью вклада PNNL в ExaLearn Co-Design Center Министерства энергетики США.
Фундаментальные исследования для будущего
ИИ, способный учиться на прошлом опыте, становится ключевым инструментом в исследованиях. Работа учёных PNNL, объединяющая экспертизу в области реакции на инфекции, искусственного интеллекта и аналитики данных, совершенствует вычислительный инструментарий для более быстрого реагирования на будущие пандемии.