غربالگری با توان بالا مرسوم برای نامزدهای بالینی نمی تواند بیش از 99٪ مولکول های تجاری موجود را ارزیابی کند، در نتیجه فضای جستجوی شیمیایی قابل دسترس برای کاربردهای درمانی را محدود می کند. با ظهور ابزارهای هوش مصنوعی (AI) و یادگیری ماشین (ML) برای ارائه بهبود سرعت و کاهش نرخ شکست برای کشف دارو، یک مطالعه جدید از ابتکار Atomwise AIMS (نمایش مولکولی هوش مصنوعی) غربالگری محاسباتی را به عنوان یک جایگزین مناسب برای غربالگری با توان بالای فیزیکی (HTS) برای اولین مرحله از کشف داروی مولکول کوچک.
Atomwise یک شرکت دارویی مبتنی بر فناوری است که از یادگیری عمیق برای طراحی دارویی مبتنی بر ساختار استفاده می کند. پلتفرم اکتشاف داروی AI/ML اختصاصی آنها، AtomNet، از یک رویکرد HTS مجازی استفاده می کند که در یک کتابخانه شیمیایی از بیش از 15 کوادریلیون ترکیب قابل سنتز جستجو می کند تا مواردی را در فضای شیمیایی جدید پیدا کند.
در مقاله منتشر شده در گزارش های علمی با عنوان “هوش مصنوعی جایگزین مناسبی برای غربالگری با توان بالا است: یک مطالعه 318 هدفAtomNet برای 318 هدف شناسایی شده از همکاری بیش از 250 آزمایشگاه دانشگاهی در 30 کشور استفاده شد. این پلتفرم با موفقیت موفقیت‌های جدید ساختاری را برای 235 از 318 هدف ارزیابی شده شناسایی کرد و نرخ موفقیت 74% را ارائه کرد، که بهبودی بر اساس ادبیات تخمین زده شده نرخ موفقیت HTS 50٪ است.
آبراهام هیفتس، مدیر عامل شرکت Atomwise، با تاکید بر اینکه چنین تمایزی ناشی از ارائه خدمات اولیه است، گفت: «این مهم است که بتوان به بخش‌های جدید فضای شیمیایی وارد شد، زیرا اگر می‌خواهید به بیماران کمک کنید، باید به طور معناداری در کلینیک متمایز شوید. استراتژی های درون کلاس زمانی که هیچ درمانی وجود ندارد یا بر اساس استراتژی های موجود بهبود می یابد.
هایفتس تاکید کرد که قدرت AtomNet ناشی از تطبیق پذیری پلتفرم در بین «صدها هدف و در دست افراد مختلف» است. بازدیدها در طیف گسترده‌ای از کلاس‌های پروتئین و حوزه‌های اصلی درمانی از جمله سرطان‌شناسی، بیماری‌های عفونی، نورولوژی، ایمنی‌شناسی، بیماری‌های قلبی عروقی و موارد دیگر قوی بود. آنزیم ها 59 درصد از کلاس های پروتئین هدف را تشکیل می دهند. کلاس های پروتئین اضافی شامل GPCR ها، ناقل ها، کانال های یونی و پروتئین های متصل شونده به DNA/RNA بود.
نمونه دستورالعمل های درمانی از ابتکار AIMS شامل اولین کاهنده برای Miro1، یک هدف جدید در بیماری پارکینسون، اولین مهارکننده ها برای OTUD7A و OTUD7Bاهداف چالش برانگیز deubiquitinase برای تومورهای جامد و هماتولوژیک و مولکول های کوچک مهارکننده های CTLA-4، یک هدف انکولوژیکی به خوبی تثبیت شده است.
گریگوری بومن، استاد دانشگاه پنسیلوانیا، که از AtomNet برای کشف یک سایت رمزی برای فسفاتاز PPM1D، یک هدف درمانی در انکولوژی. «نتایج مطالعه AIMS نشان می‌دهد که AtomNet نرخ موفقیت بالایی در یافتن نتایج برای زیست‌شناسی چالش‌برانگیز سنتی، مانند تعاملات آلوستریک یا پروتئین-پروتئین دارد.»
Heifets موفقیت AtomNet را به تغییر پارادایم از یک مدل هر هدف به یک مدل جهانی نسبت می دهد.
“در بسیاری از رویکردهای AI/ML، اگر روی پروتئین A کار می کنید، یک مدل ML برای پروتئین A می سازید. اگر به سمت پروتئین B بروید، یک مدل ML جدید برای پروتئین B می سازید. در آن دنیا، مهم است که داده های آموزشی برای A در مقابل B در مقابل C دارید یا خیر. اگر هیچ داده آموزشی ندارید، مشخص نیست که بتوانید یک مدل بسازید.
روش دیگر، AtomNet بر روی طیف وسیعی از داده های مولکولی در سراسر پروتئوم از قبل آموزش دیده است، که به پلت فرم امکان تعمیم بیشتر در بین اهداف را می دهد.
با نگاهی به آینده، Atomwise از AtomNet استفاده کرده است وارد بازار بیماری های التهابی شود. این شرکت قصد دارد امسال یک درخواست IND برای نامزد اصلی خود، یک مهارکننده آلوستریک جدید TYK2 که با استفاده از AtomNet کشف شده است، ارسال کند.