Существующая угроза COVID-19 высветила острую необходимость в разработке эффективных терапевтических средств против возникающих угроз здоровью. Одна из роскоши, которую предоставляет нам глубокое обучение, - это возможность изменять ландшафт по мере его развития - до тех пор, пока мы можем не отставать от вирусной угрозы и получать доступ к нужным данным.
Как и в случае со всеми новыми медицинскими заболеваниями, часто данным требуется время, чтобы наверстать упущенное, и вирусу не нужно время, чтобы замедлиться, что создает сложную проблему, поскольку он может быстро мутировать и стать устойчивым к существующим лекарствам. Это заставило ученых из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) задаться вопросом: как мы можем определить правильные синергетические комбинации лекарств для быстро распространяющегося SARS-CoV-2?
Обычно специалисты по данным используют глубокое обучение для выбора комбинаций лекарств с большими существующими наборами данных для таких вещей, как рак и сердечно-сосудистые заболевания , но, по понятным причинам, их нельзя использовать для новых болезней с ограниченными данными.
Без необходимых фактов и цифр команде потребовался новый подход: нейронная сеть, которая носит две шляпы. Поскольку синергия лекарств часто происходит за счет ингибирования биологических мишеней (таких как белки или нуклеиновые кислоты), модель совместно изучает взаимодействие лекарство-мишень и синергию лекарство-лекарство для поиска новых комбинаций. Предиктор лекарственной мишени моделирует взаимодействие между лекарством и набором известных биологических мишеней, связанных с выбранным заболеванием. Предиктор ассоциации "мишень-заболевание" учится понимать противовирусную активность лекарства, что означает определение выхода вируса в инфицированных тканевых культурах. Вместе они могут предсказать синергию двух препаратов.
Были обнаружены две новые комбинации лекарств : ремдесивир (в настоящее время одобрен FDA для лечения COVID-19) и резерпин, а также ремдесивир и IQ-1S, которые в биологических анализах оказались эффективными против вируса.
«Моделируя взаимодействия между лекарствами и биологическими мишенями, мы можем значительно снизить зависимость от данных о синергии комбинаций», - говорит Венгонг Джин, доктор философии CSAIL. и постдок MIT Broad Institute, ведущий автор новой статьи об исследовании. «В отличие от предыдущих подходов, использующих взаимодействие лекарство-мишень в качестве фиксированных дескрипторов, наш метод учится предсказывать взаимодействие лекарство-мишень на основе молекулярных структур. Это выгодно, поскольку большая часть соединений имеет неполную информацию о взаимодействии лекарство-мишень».
Использование нескольких лекарств для максимизации потенции, а также для уменьшения побочных эффектов практически повсеместно при вышеупомянутом раке и сердечно-сосудистых заболеваниях, включая множество других, таких как туберкулез, проказа, малярия. Использование специализированных коктейлей с лекарствами может, что очень важно, снизить серьезную, иногда общественную угрозу резистентности (вспомните устойчивый к метициллину Staphylococcus aureus, известный как «MRSA»), поскольку многие мутации, устойчивые к лекарствам, являются взаимоисключающими. Гораздо сложнее вирусу развить две мутации одновременно, а затем стать устойчивым к двум лекарствам при комбинированной терапии.
Модель также не ограничивается только SARS-CoV-2 - ее также можно использовать для все более заразного дельта-варианта. Чтобы продлить его там, вам потребуются только дополнительные данные о синергии комбинации лекарств для мутации. Команда также применила свой подход к ВИЧ и раку поджелудочной железы.
Для дальнейшего совершенствования своего биологического моделирования команда планирует включить дополнительную информацию, такую как белок-белковое взаимодействие и сети регуляции генов.
Еще одно направление будущей работы, которое они изучают, - это так называемое «активное обучение». Многие модели комбинаций лекарств смещены в сторону определенных химических пространств из-за их ограниченного размера, поэтому прогнозы очень неопределенны. Активное обучение помогает направлять процесс сбора данных и повышать точность в более широком химическом пространстве.
Исследование опубликовано в Proceedings of the National Academy of Sciences .