Как искусственный интеллект помогает в поиске новых лекарств

Новое, более эффективное лекарство от рака и других болезней может уже существовать, скрываясь у всех на виду. Проблема в том, что потенциальные новые препараты создаются гораздо быстрее, чем ученые могут их изучить. Миллионы непроверенных соединений ждут, перемешанные в огромных хранилищах — библиотеках соединений.

"Эти библиотеки сейчас — по сути, черные ящики", — говорит Стивен Алтшулер, доктор философии, профессор фармацевтической химии в Школе фармации Калифорнийского университета в Сан-Франциско (UCSF).

Проблема: слишком много хорошего

Скрининг соединений на предмет потенциального медицинского применения до сих пор был трудоемким и дорогим. Обычно ученые используют специально созданные "репортерные клетки", которые уникальным образом меняются, когда соединение оказывает желаемый эффект. Однако этот метод проверяет только одну цель за раз и стоит сотни долларов за тестирование каждого "загадочного" соединения. Это позволяет исследователям проверять лишь небольшую случайную выборку из доступных соединений.

Новый путь вперед

Исследовательская команда UCSF — Стивен Алтшулер и его супруга и соавтор Лани Ву, также профессор фармацевтической химии, — разработала метод, который делает эту работу гораздо быстрее и дешевле.

Первый этап: их метод категоризирует репортерные клетки аналогично тому, как Facebook отмечает фотографии друзей — путем цифровой идентификации их особенностей. Когда библиотека соединений с неизвестными свойствами тестируется с репортерными клетками, программное обеспечение может определить, какие из соединений вызывают желаемый ответ. Стоимость каждого теста падает с сотен долларов до доллара или меньше.

Второй этап: команда нашла способ одновременно тестировать препараты на несколько целей, используя тот же принцип. В эксперименте, описанном в Nature Biotechnology в январе, использовался только один тип репортерных клеток для скрининга почти 11 000 препаратов из нескольких библиотек соединений по шести болезненным путям (pathways).

В поисках ORACL

Вместо того чтобы пытаться создать универсальную репортерную клетку путем логических рассуждений, команда решила положиться на случай. Используя флуоресцентные метки, они подвергли примерно 600 клеток процессу ДНК-мечения, не пытаясь контролировать, куда метки попадут.

Им повезло. В исходном пуле потенциальных репортерных клеток они нашли одну, которая с точностью 94% различала шесть различных классов препаратов, релевантных для рака. Они назвали ее ORACL (Optimal Reporter cell lines for Annotating Compound Libraries).

Старший исследователь лаборатории Юнгсеог Кан, доктор философии, протестировал процесс: он добавил почти 11 000 соединений и 38 референсных препаратов в лунки с клетками ORACL. После реакции клеток их сфотографировали через микроскоп. Затем фотографии были проанализированы программным обеспечением, разработанным аспирантом Чарльзом Хсу, что дало цифровые профили, которые сопоставлялись с профилями референсных препаратов. В итоге метод показал точность 94%.

ORACL обнаружил 100 новых соединений, соответствующих одному из шести классов препаратов. К удивлению команды, были идентифицированы дополнительные кластеры потенциально полезных соединений, не входивших в первоначальный дизайн эксперимента, включая глюкокортикоиды и ингибиторы АТФазы.

Вершина айсберга

По сравнению с количеством несортированных соединений выборка в 10 000 соединений в этом эксперименте — лишь вершина айсберга. Видение будущего заключается в том, что метод ORACL приведет к созданию индексируемых и доступных для поиска библиотек соединений, классифицированных по эффекту каждого соединения, а не к сегодняшним "черным ящикам".

Следующий шаг, вероятно, — партнерство с частным сектором, где есть ресурсы для тестирования метода в большем масштабе. "В фармацевтических компаниях есть голод по новым подходам, готовность пробовать новое", — говорит Мэтью Джейкобсон, доктор философии, заведующий кафедрой фармацевтической химии UCSF.