Umělá inteligence dramaticky zrychluje syntézu léčiv: Laboratorní práce a náklady klesají o týdny
ZdravíNový systém strojového učení dokáže předpovídat správnou „ruku“ molekul, což je klíčové pro účinnost léků. Díky tomu chemici nemusí testovat desítky reakcí, ale jen několik, což šetří čas i peníze v řádu týdnů až měsíců.
Objevování nových léků je často přirovnáváno k molekulárnímu Tetrisu, kde chemici spojují atomy, dokud se vše nehodí a nevznikne slibná nová molekula. Tento proces je však obvykle nesmírně časově a finančně náročný. Nová studie publikovaná v časopise Nature představuje systém strojového učení, který by mohl tento proces výrazně urychlit a zlevnit.
Simone Gallarati, spoluautor studie a postdoktorand z University of Utah a University of California, Los Angeles, vysvětluje, že stávající sofistikované výpočetní nástroje jsou příliš drahé na to, aby dokázaly předpovídat tisíce potenciálních nových molekul. Cílem bylo vyvinout statistické modely, které by byly dostatečně „chytré“ pro přesné předpovědi u netestovaných reakcí, ale zároveň co nejlevnější.
Mnoho molekul používaných v medicíně existuje ve dvou zrcadlových formách, takzvaných „rukou“ (levotočivé a pravotočivé). Tělo reaguje na tyto verze velmi odlišně – jedna může léčit, druhá může být škodlivá. Chemici proto potřebují najít správnou kombinaci nástrojů, jako jsou katalyzátory, ligandy a substráty, aby zajistili vytvoření správné verze molekuly.
Nový systém funguje jako high-tech filtr, který dokáže prověřit desítky tisíc chemických struktur a předpovědět, jak se jednotlivé části spojí, aby vznikla preferovaná „ruka“ molekuly. Tento pracovní postup poskytuje nákladově efektivní způsob, jak převést složky reakce na numerická data, která může počítač analyzovat, a vytvořit tak základ pro predikce strojového učení. S překvapivě malým množstvím vstupních dat model spolehlivě předpovídal chování složek, čímž výrazně snížil čas, energii a náklady na testování reakcí v laboratoři.
Matthew Sigman, chemik a spoluautor studie, zdůrazňuje, že většina AI vyžaduje obrovské množství dat pro trénování modelů, což je v chemii problém kvůli vysokým nákladům a časové náročnosti získávání kvalitních experimentálních dat. „Nejúžasnější na tomto nástroji je, že umožňuje sbírat menší množství dat, vytvářet poměrně dobré modely a provádět přesné předpovědi pro známé reakce, a také přenášet tyto predikce na reakce, které modely ještě neviděly,“ dodává Sigman.
Výzkumníci zaměřili svůj pracovní postup na asymetrické křížové vazebné reakce, které jsou klíčové pro vývoj léků. Tyto reakce spojují dva uhlíkové molekulární fragmenty pomocí kovového katalyzátoru k vytvoření složitějších sloučenin. Jsou nazývány asymetrickými, protože jsou navrženy tak, aby upřednostňovaly jednu „ruku“ molekuly. Zatímco běžné experimenty by vedly k rozdělení 50/50, asymetrické reakce dodávají přibližně 95 % požadované formy a pouze 5 % nežádoucího zrcadlového obrazu.