Исследователи из Кембриджского университета разработали и использовали стратегию, основанную на искусственном интеллекте, для выявления соединений, которые блокируют слипание или агрегацию альфа-синуклеина, белка, характерного для болезни Паркинсона. Результаты были опубликованы в журнале Nature Chemical Biology, пишет eurekalert.

Использование методов ИИ существенно, на порядок, ускоряет процесс поиска методов лечения болезни Паркинсона. Болезнью Паркинсона страдают более шести миллионов человек во всем мире, и, по прогнозам, к 2040 году это число утроится. В настоящее время не существует методов лечения этого заболевания. Болезнь Паркинсона является самым быстрорастущим неврологическим заболеванием во всем мире. В Великобритании у каждого 37-го человека, живущего сегодня, в течение жизни будет диагностирована болезнь Паркинсона. В дополнение к двигательным симптомам, болезнь Паркинсона может также влиять на желудочно-кишечный тракт, нервную систему, режим сна, настроение и когнитивные способности, а также может способствовать снижению качества жизни и значительной инвалидности.

Команда ученых использовала методы машинного обучения, чтобы быстро просмотреть химическую библиотеку, содержащую миллионы записей, и выявила пять сильнодействующих соединений для дальнейшего изучения.

Процесс отбора в больших библиотеках химических препаратов-кандидатов, который должен проводиться задолго до того, как потенциальные методы лечения могут быть протестированы на пациентах, является чрезвычайно длительным и дорогостоящим и часто безуспешным.

Используя машинное обучение, исследователи смогли ускорить процесс первоначального скрининга в десять раз и снизить затраты в тысячу раз, что может означать, что потенциальные методы лечения болезни Паркинсона будут доступны пациентам намного быстрее.

Белки отвечают за важные клеточные процессы, но при болезни Паркинсона эти белки выходят из строя и вызывают гибель нервных клеток. Когда белки неправильно сворачиваются, они могут образовывать аномальные скопления, называемые тельцами Леви, которые накапливаются в клетках мозга, препятствуя их нормальному функционированию.

«Один из путей поиска потенциальных методов лечения болезни Паркинсона требует идентификации небольших молекул, которые могут ингибировать агрегацию альфа-синуклеина, белка, тесно связанного с этим заболеванием», — сказал профессор Мишель Вендрусколо из химического факультета университета Юсуфа Хамида, возглавлявший исследование. «Но это чрезвычайно трудоемкий процесс — просто определение ведущего кандидата для дальнейшего тестирования может занять месяцы или даже годы».

Несмотря на то, что в настоящее время проводятся клинические испытания препарата для лечения болезни Паркинсона, ни один модифицирующий заболевание препарат не был одобрен, что отражает невозможность прямого воздействия на молекулы, вызывающие это заболевание.

Это стало серьезным препятствием в исследованиях болезни Паркинсона из-за отсутствия методов определения правильных молекулярных мишеней и взаимодействия с ними. Этот технологический разрыв серьезно затрудняет разработку эффективных методов лечения.

Команда из Кембриджа разработала метод машинного обучения, при котором химические библиотеки, содержащие миллионы соединений, подвергаются скринингу для выявления небольших молекул, которые связываются с агрегатами амилоида и блокируют их размножение.

Затем небольшое количество соединений, входящих в топ, было протестировано экспериментально для выбора наиболее эффективных ингибиторов агрегации. Информация, полученная в результате этих экспериментальных анализов, была передана обратно в модель машинного обучения итеративным образом, так что после нескольких итераций были идентифицированы сильнодействующие соединения.

«Вместо экспериментального скрининга мы проводим его с помощью вычислений», — сказал Вендрусколо, который является содиректором Центра по изучению болезней с неправильным распределением. «Используя знания, полученные в ходе первоначального скрининга с помощью нашей модели машинного обучения, мы смогли обучить модель идентифицировать конкретные участки на этих небольших молекулах, ответственные за связывание, затем мы можем провести повторный скрининг и найти более эффективные молекулы».

Используя этот метод, команда из Кембриджа разработала соединения, которые воздействуют на очаги на поверхности агрегатов, что приводит к экспоненциальному росту самих агрегатов. Эти соединения в сотни раз эффективнее и намного дешевле в разработке, чем те, о которых сообщалось ранее.

«Машинное обучение оказывает реальное влияние на процесс поиска лекарств — оно ускоряет весь процесс выявления наиболее перспективных кандидатов», — сказал Вендрусколо. «Для нас это означает, что мы можем начать работу над несколькими программами поиска лекарств, а не только над одной. Так много стало возможным благодаря значительному сокращению как времени, так и затрат — это захватывающее время».

Исследование проводилось в лаборатории химии здоровья в Кембридже, которая была создана при поддержке Инвестиционного фонда Британского исследовательского партнерства (UKRPIF) для содействия внедрению академических исследований в клинические программы.