covid
Кредит: Unsplash/CC0 Public Domain

Ученые из Калифорнийского университета в Риверсайде с помощью машинного обучения выявили сотни новых потенциальных лекарств, которые могут помочь в лечении COVID-19, болезни, вызываемой новым коронавирусом, или SARS-CoV-2.

«Существует острая необходимость в поиске эффективных лекарств, которые лечат или предотвращают COVID-19», — сказал Анандасанкар Рэй, профессор молекулярной, клеточной и системной биологии, руководивший исследованием. «Мы разработали процесс открытия новых лекарств, в результате которого было определено несколько кандидатов».

Разработка новых лекарств — это разновидность вычислительной стратегии, связанной с искусственным интеллектом — компьютерным алгоритмом, который учится прогнозировать активность методом проб и ошибок, улучшаясь со временем.

Пандемия COVID-19, которой не видно конца, разрушила жизни, создала нагрузку на системы здравоохранения и ослабила экономику. Попытки перепрофилировать лекарства, такие как Ремдесивир, достигли определенного успеха. Вакцина от вируса SARS-CoV-2 может появиться через несколько месяцев, хотя это не гарантируется.

«В результате чрезвычайно важно продолжить разработку новых лекарств-кандидатов, таких как разработанные нами, в качестве первого шага к систематическому открытию новых лекарств для лечения COVID-19», — сказал Рэй. «Существующие одобренные FDA препараты, которые нацелены на один или несколько белков человека, важных для проникновения и репликации вирусов, в настоящее время имеют высокий приоритет для перепрофилирования в качестве новых лекарств от COVID-19. Высокий спрос на дополнительные препараты или небольшие молекулы, которые могут препятствовать как проникновению, так и репликации SARS-CoV-2 в организме. Наша разработка новых лекарств может помочь «.

Джоэл Ковалевски, аспирант лаборатории Рэя, использовал небольшое количество ранее известных лигандов для 65 белков человека, которые, как известно, взаимодействуют с белками SARS-CoV-2. Он создал модели машинного обучения для каждого из белков человека.

«Эти модели обучены определять новые низкомолекулярные ингибиторы и активаторы — лиганды — просто по их трехмерным структурам», — сказал Ковалевски.

Ковалевски и Рэй смогли создать базу данных химических веществ, структуры которых были предсказаны как взаимодействующие между 65 белками-мишенями. Они также оценили химические вещества на предмет безопасности.

«65 белков-мишеней весьма разнообразны и также связаны со многими другими заболеваниями, включая рак», — сказал Ковалевски. «Помимо усилий по перепрофилированию лекарств, предпринимаемых против этих целей, мы также были заинтересованы в выявлении новых химических веществ, которые в настоящее время недостаточно изучены».

Рэй и Ковалевски использовали свои модели машинного обучения для проверки более 10 миллионов коммерчески доступных небольших молекул из базы данных, содержащей 200 миллионов химических веществ, и определили лучшие в своем классе результаты для 65 белков человека, взаимодействующих с SARS-CoV. -2 белка.

Сделав еще один шаг, они определили среди хитов соединения, которые уже одобрены Управлением по контролю за продуктами и лекарствами, например, лекарства и соединения, используемые в продуктах питания. Они также использовали модели машинного обучения для вычисления токсичности, что помогло им отклонить потенциально токсичных кандидатов. Это помогло им расставить приоритеты по химическим веществам, которые, по прогнозам, будут взаимодействовать с целями SARS-CoV-2. Их метод позволил им не только идентифицировать кандидатов с наивысшими баллами и значительной активностью против одной-единственной белковой мишени человека, но также найти несколько химических веществ, которые, как было предсказано, ингибируют две или более мишеней человеческого белка.

«Мне больше всего нравится искать соединения, которые, по прогнозам, являются летучими, что создает необычную возможность применения ингаляционных терапевтических средств», — сказал Рэй.

«Исторически сложилось так, что лечение заболеваний становится все более сложным по мере того, как мы лучше понимаем болезнь и то, как индивидуальная генетическая изменчивость влияет на прогрессирование и тяжесть симптомов», — сказал Ковалевски. «Подходы машинного обучения, подобные нашему, могут сыграть роль в прогнозировании меняющегося ландшафта лечения, предоставляя исследователям дополнительные возможности для дальнейшего изучения. Хотя этот подход в значительной степени зависит от экспериментальных данных, виртуальный скрининг может помочь исследователям задать новые вопросы или найти новое понимание».

Рэй и Ковалевски утверждают, что их вычислительная стратегия для первоначального скрининга огромного количества химических веществ имеет преимущество перед традиционными анализами, основанными на культуре клеток, которые являются дорогостоящими и для тестирования могут потребоваться годы.

«Наша база данных может служить ресурсом для быстрого выявления и тестирования новых безопасных стратегий лечения COVID-19 и других заболеваний, при которых актуальны те же 65 целевых белков», — сказал он. «Хотя нас мотивировала пандемия COVID-19, мы ожидаем, что наши прогнозы, основанные на более чем 10 миллионах химических веществ, ускорят открытие лекарств для борьбы не только с COVID-19, но и с рядом других заболеваний».

Рэй ищет источники финансирования и сотрудников, чтобы приступить к тестированию клеточных линий, животных моделей и, в конечном итоге, клиническим испытаниям.

Исследовательская статья «Прогнозирование новых лекарств от SARS-CoV-2 с использованием машинного обучения из более чем 10 миллионов химических пространств» опубликована в журнале Heliyon, междисциплинарном журнале Cell Press. р>




Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *