LA NUOVA INIZIATIVA DI GOOGLE BASATA SULL’APPRENDIMENTO AUTOMATICO PER LA SCOPERTA DI DROGHE ACCELERATE

Secondo un rapporto pubblicato lo scorso anno, il costo per trovare un nuovo farmaco è di $ 2,5 miliardi, che è salito da $ 1,8 miliardi nel 2010 . Una metodologia popolare di scoperta di farmaci consiste nell’utilizzare lo screening virtuale in cui vengono utilizzati programmi per computer per trovare un composto adatto che reagisce nel modo desiderato poiché le sostanze chimiche hanno proprietà terapeutiche. Combattere attraverso un ampio database di sostanze chimiche è un compito scoraggiante. Esiste una sfida di enorme dimensionalità quando si tratta di analizzare le strutture nella progettazione di farmaci, ed è qui che si manifesta l’apprendimento automatico .

L’apprendimento automatico per la scoperta di farmaci in genere comporta un set di addestramento con composti inattivi noti e attivi e quindi trovare la probabilità che un composto sia attivo e quindi classificare ciascun composto in base alla sua probabilità di essere attivo.

Al fine di esplorare come l’apprendimento automatico può aiutare ad accelerare il processo di scoperta dei farmaci, Google ha collaborato con partner farmaceutici e ha dimostrato un nuovo metodo di screening virtuale che utilizza Graph Convolutional Networks (GCNN).

L’innovazione dei metodi di “screening virtuale” esistenti per trovare potenziali molecole a livello computazionale piuttosto che in laboratorio è un’area attiva di ricerca. Tuttavia, la sfida qui è quella di costruire un metodo che funzioni abbastanza bene in una vasta gamma di spazio chimico per essere utile per trovare piccole molecole con interazione utile verificata fisicamente con una proteina di interesse, cioè “colpi”.

Panoramica del modello

In un lavoro recentemente pubblicato, intitolato ” Apprendimento automatico su librerie con codifica DNA: un nuovo paradigma per la ricerca di risultati “, il team di Google Accelerated Science ha collaborato con X-Chem Pharmaceuticals per dimostrare un nuovo metodo efficace per trovare molecole biologicamente attive utilizzando una combinazione di screening fisico con librerie di piccole molecole codificate in DNA e screening virtuale utilizzando una rete neurale convoluzionale (GCNN).

Questa ricerca, a sua volta, ha portato alla creazione di un’iniziativa chiamata Chemome, un progetto cooperativo tra Google e ZebiAI per consentire la scoperta di molte più sonde chimiche a piccole molecole per la ricerca biologica.

Una biblioteca chimica è una raccolta di sostanze chimiche immagazzinate con informazioni associate come la struttura chimica, la purezza, la quantità e le caratteristiche fisico-chimiche del composto.

La parte fisica del processo di screening utilizza librerie di piccole molecole codificate dal DNA (DELs), che contengono molte piccole molecole distinte in un pool, ognuna delle quali è collegata a un frammento di DNA che funge da codice a barre univoco per quella molecola.

Dati i dati di screening fisico restituiti per una particolare proteina, i ricercatori hanno costruito un modello ML usando una rete neurale convoluzionale per prevedere se una piccola molecola scelta arbitrariamente interagirà con una determinata proteina. Lo screening fisico con il DEL fornisce esempi positivi e negativi per un classificatore ML in cui le piccole molecole che rimangono alla fine del processo di screening sono esempi positivi e tutto il resto sono esempi negativi.

A differenza di molti altri usi dello screening virtuale, il processo di selezione delle molecole da testare è stato automatizzato o facilmente automatizzabile dati i risultati del modello senza la necessità di un chimico addestrato.

Si prevede che la Chemome Initiative fornirà in modo efficiente nuove sonde chimiche alla comunità di ricerca per migliaia di proteine ​​umane di interesse e, infine, applicherà gli algoritmi per comprendere ulteriormente i percorsi della malattia.

“QUESTA SVOLTA CONSENTIRÀ SIGNIFICATIVE NUOVE SCOPERTE BIOLOGICHE E, IN DEFINITIVA, ACCELERERÀ [LA] SCOPERTA DI NUOVE TERAPIE PER CURARE MALATTIE INTRATTABILI”.

Oggi l’industria biofarmaceutica sta affrontando sfide senza precedenti per il suo modello di business fondamentale e potrebbe non sostenere senza una sufficiente innovazione. Il calo della produttività in R&S è senza dubbio la sfida più importante che l’industria deve affrontare e gli investimenti in R&S, sia finanziari che intellettuali, devono essere focalizzati sulla trasformazione da un biofarmaceutico tradizionale ad iniziative come Chemome stimoleranno nuove scoperte biologiche significative e accelereranno infine nuove scoperte terapeutiche per mondo.

Di ihal