Роботизированная система может снизить стоимость изучения взаимодействий лекарств и мишеней

Исследователи из Университета Карнеги-Меллон (CMU) создали первую роботизированную экспериментальную систему для определения эффектов большого числа лекарств на множество белков, сократив количество необходимых экспериментов на 70%.

Модель, представленная в журнале eLife, использует подход, который может привести к точному прогнозированию взаимодействий между новыми лекарствами и их мишенями, помогая снизить стоимость разработки препаратов.

"Биомедицинские ученые приложили много усилий, чтобы сделать выполнение многочисленных экспериментов быстрым и дешевым. Однако мы просто не можем провести эксперимент для каждой возможной комбинации биологических условий, таких как генетическая мутация и тип клеток. Исследователям приходилось выбирать несколько условий или мишеней для исчерпывающего тестирования или самим выбирать эксперименты. Вопрос в том, какие эксперименты вы выбираете?" — говорит ведущий автор Армаган Наик.

Чтобы решить эту проблему, команда применила подход машинного обучения под названием "активное обучение". Компьютер неоднократно выбирал, какие эксперименты проводить, чтобы эффективно обучаться на наблюдаемых в данных закономерностях.

В текущей модели компьютер выбирал эксперименты, которые затем выполнялись с помощью роботов для работы с жидкостями и автоматизированного микроскопа.

Система изучала возможные взаимодействия между 96 препаратами и 96 культивируемыми клонами млекопитающих с разными флуоресцентно меченными белками. Всего было возможно 9 216 экспериментов.

Алгоритм прошел 30 раундов, выполнив 2 697 из 9 216 возможных экспериментов. По мере проведения экспериментов он выявлял больше фенотипов (паттернов в локализации белка) и закономерностей в том, как наборы белков реагируют на наборы лекарств.

С помощью расчетов команда определила, что алгоритм смог обучиться модели с точностью 92%, описывающей, как 96 препаратов влияют на 96 белков, выполнив только 29% от общего числа экспериментов.

"Наша работа показала, что проведение серии экспериментов под управлением системы машинного обучения возможно даже когда набор результатов неизвестен. Мы также продемонстрировали возможность активного обучения, когда робот не может следовать дереву решений", — объясняет старший автор Роберт Ф. Мерфи.

Ближайшей задачей будет использование этих методов для снижения стоимости достижения целей крупных проектов, таких как The Cancer Genome Atlas.