Sztuczna inteligencja szuka leków na COVID-19

Wybuch pandemii skłonił lekarzy i naukowców do poszukiwań nowych zastosowań medykamentów. Naukowcy opracowali nowy system oparty na uczeniu maszynowym. Jego zadaniem jest identyfikacja leków, które mogą być wykorzystywane do walki z koronawirusem u starszych pacjentów – informuje „Nature Communications”. Uczenie maszynowe (machine learning) to dziedzina sztucznej inteligencji dotycząca algorytmów, które poprawiają się automatycznie poprzez doświadczenie – uczą się. Algorytmy uczenia maszynowego budują model matematyczny na podstawie przykładowych danych, zwanych zbiorem uczącym, w celu prognozowania lub podejmowania decyzji bez potrzeby bycia zaprogramowanymi do konkretnego celu przez człowieka. Stworzenie nowego leku trwa wiele lat, dlatego znacznie łatwiej jest wykorzystać już istniejące leki w nowy sposób. Wybuch pandemii COVID-19 skłonił lekarzy i naukowców do sięgnięcia po skuteczniejsze metody poszukiwań nowych zastosowań leków już istniejących. Zespół Caroline Uhler z Massachusetts Institute of Technology (MIT) opracował opartą na uczeniu maszynowym metodę identyfikacji dostępnych już na rynku leków, które potencjalnie mogłyby zostać wykorzystane do walki z COVID-19 , zwłaszcza u osób starszych. System uwzględnia zmiany ekspresji genów w komórkach płuc spowodowane zarówno chorobą, jak i starzeniem się. Na pomoc pacjentom z ciężkim przebiegiem COVID-19 Taka kombinacja mogłaby umożliwić szybsze poszukiwanie leków do fazy badań klinicznych u starszych pacjentów, którzy mają tendencję do cięższego przebiegu COVID-19.Obiecującym celem dla leków na COVID-19 okazało się białko RIPK1. Udało się zidentyfikować trzy zatwierdzone już leki, które działają na ekspresję RIPK1. Na początku pandemii stało się jasne, że COVID-19 szkodzi starszym pacjentom przeciętnie bardziej niż młodszym. Zespół Uhler zastanawiał się, dlaczego. Dominującą hipotezą było starzenie się układu odpornościowego. Jednak Uhler i G.V. Shivashankar z Politechniki Federalnej (ETH) w Zurychu zasugerowali dodatkowy czynnik: jedną z głównych zmian w płucach, która zachodzi w wyniku starzenia się, jest ich zwiększona sztywność. Inne wzorce ekspresji genów Sztywna tkanka płucna wykazuje inne wzorce ekspresji genów niż w bardziej elastycznych płucach osób młodszych, nawet w odpowiedzi na jednakowy sygnał. „Wcześniejsze prace laboratorium Shivashankara wykazały, że jeśli stymulujesz cytokiną komórki na sztywniejszym podłożu, podobnie jak to robi wirus, w rzeczywistości włączają one inne geny” – wyjaśniła Uhler. „Musimy rozpatrywać starzenie się razem z SARS-CoV-2 – jakie są geny na przecięciu tych dwóch ścieżek?”. Przeczytaj też: Krótsze telomery oznaką starzenia się tkanek Aby wybrać zatwierdzone leki, które mogą działać na tych ścieżkach, zespół zwrócił się do big data i sztucznej inteligencji. Badacze skupili się na najbardziej obiecujących lekach. Najpierw wygenerowali dużą listę możliwych leków przy użyciu techniki uczenia maszynowego zwanej autoenkoderem. Następnie zmapowali sieć genów i białek zaangażowanych zarówno w starzenie się, jak i zakażenie SARS-CoV-2. Wreszcie użyli algorytmów statystycznych, aby zrozumieć przyczynowość w tej sieci, co umożliwiło u wskazanie genów „upstream”, które spowodowały kaskadowe efekty w całej sieci. Zasadniczo leki ukierunkowane na te geny i białka znajdujące się „powyżej” powinny być obiecującymi kandydatami do badań klinicznych. Autoenkoder wygenerował listę potencjalnych leków Aby wygenerować wstępną listę potencjalnych leków, autoenkoder zespołu oparł się na dwóch kluczowych zestawach danych dotyczących wzorców ekspresji genów. Jeden zestaw danych pokazał, jak ekspresja w różnych typach komórek zareagowała na szereg leków już dostępnych na rynku, a drugi, jak ekspresja zareagowała na infekcję SARS-CoV-2. Zobacz też: Niektóre witaminy mogą pomóc w zwalczaniu zakażenia SARS–CoV–2 Autoenkoder przejrzał zbiory danych, aby wskazać leki, których wpływ na ekspresję genów wydaje się przeciwdziałać efektom SARS-CoV-2. „Zastosowanie autoenkoderów było wyzwaniem i wymagało fundamentalnych informacji na temat działania tych sieci neuronowych” – zauważył Radhakrishnan. Następnie naukowcy zawęzili listę potencjalnych leków, kierując się kluczowymi szlakami genetycznymi. Zmapowali interakcje białek zaangażowanych w procesy starzenia się i zakażenia SARS-CoV-2. Następnie zidentyfikowali obszary nakładania się na obu mapach. Wysiłek ten wskazał precyzyjną sieć ekspresji genów, w którą lek musiałby celować, aby zwalczyć COVID-19 u starszych pacjentów. „W tym momencie mieliśmy niekierowaną sieć” – mówi Belyaeva, co oznacza, że naukowcy nie zidentyfikowali jeszcze, które geny i białka działały „w górę” (tj. miały kaskadowy wpływ na ekspresję innych genów), a które „w dół” (to znaczy ich ekspresja jest zmieniana przez wcześniejsze zmiany w sieci). Idealny kandydat na lek byłby skierowany do genów na górnym końcu sieci, aby zminimalizować skutki infekcji. Idealny kandydat na lek „Chcemy zidentyfikować lek, który będzie miał wpływ na wszystkie te geny o różnej ekspresji poniżej” – mówi Belyaeva. Dlatego zespół wykorzystał algorytmy, które wnioskują o przyczynowości w systemach współpracujących, aby przekształcić ich niekierunkową sieć w sieć przyczynową.Ostateczna sieć przyczynowa zidentyfikowała RIPK1 jako docelowy gen/białko dla potencjalnych leków przeciwko COVID-19. Naukowcy zidentyfikowali listę zatwierdzonych leków, które działają na RIPK1 i mogą mieć potencjał do leczenia COVID-19. Wcześniej leki te zostały zatwierdzone do stosowania w leczeniu nowotworów. Inne leki, które również zostały zidentyfikowane, w tym rybawiryna i chinapryl, są już w trakcie badań klinicznych. Uhler planuje podzielić się ustaleniami zespołu z firmami farmaceutycznymi. Podkreśla, że zanim którykolwiek ze zidentyfikowanych przez zespół leków zostanie dopuszczony do zastosowania u starszych pacjentów, konieczne są badania kliniczne w celu określenia skuteczności. Im więcej danych, tym lepiej lek zadziała Chociaż to konkretne badanie skupiało się na COVID-19, naukowcy twierdzą, że ich ramy można rozszerzać. Radhakrishnan podkreśla znaczenie gromadzenia informacji na temat wpływu różnych chorób na ekspresję genów. „Im więcej danych mamy w tej przestrzeni, tym lepiej to może działać” – powiedział. #wieszwiecej Polub nas