Yapay zeka destekli ilaç keşfi dünyası, makine öğreniminin yetenekleri arttıkça genişlemeye devam ediyor. Sadece birkaç yıl önce düşünülemez görünen bir yaklaşım, birbirine kenetlenmiş iki molekülün karmaşık etkileşimlerini simüle etmektir – ancak ilaç tasarımcılarının tam olarak bilmesi gereken şey ve tam olarak ne Cazibe Terapötikleri DragonFold platformu ile yapmayı hedefliyor.
Proteinler, vücudunuzda yapmaya değecek hemen hemen her şeyi yapar ve uyuşturucuların en sık hedefidir. Ve bir etki yaratmak için önce o hedefi, özellikle proteini oluşturan amino asit zincirinin farklı koşullar altında nasıl “katlandığını” anlamalısınız.
Yakın geçmişte bu genellikle karmaşık, zaman alıcı X-ışını kristalografisi ile yapılırdı, ancak son zamanlarda AlphaFold ve RoseTTAFold gibi makine öğrenimi modellerinin haftalar veya aylar yerine saniyeler içinde sonuçlar üretebildiği gösterilmiştir.
Bir sonraki zorluk, bir proteinin en yaygın koşullarda nasıl katlandığını bilsek bile, özellikle onlara bağlanmak için yapılmış yeni moleküller bir yana, diğer proteinlerle nasıl etkileşime girebileceğini bilemiyoruz. Bir protein uyumlu bir bağlayıcı veya ligandla karşılaştığında, tamamen dönüşebilir, çünkü küçük değişiklikler tüm yapısını basamaklandırabilir ve yeniden yapılandırabilir – yaşamda bu, bir proteinin bir hücreye geçiş açması veya diğer proteinleri aktive eden yeni bir yüzeyi açığa çıkarması gibi şeylere yol açar. , ve benzeri.
Charm Therapeutics’in CEO’su ve kurucu ortağı Laskh Aithani, “İşte tam olarak burada yenilik yaptık: İlk protein-ligand birlikte katlama algoritması olan DragonFold’u geliştirdik” dedi.
“İlgilenilen hastalığa neden olan proteine çok sıkı ve seçici bir şekilde bağlanan (yani, normal insan işleyişi için gerekli olan diğer benzer proteinlere bağlanmaktan kaçınan) ilaçlar tasarlamak büyük önem taşımaktadır” diye açıkladı. “Bu, bu ilaçların proteine tam olarak nasıl bağlandığını (hastalığa neden olan proteine bağlı ligandın tam 3D şekli) tam olarak nasıl bağlandığını bildiğinde en kolay şekilde yapılır. Bu, kişinin ligandda daha sıkı ve daha seçici bir şekilde bağlanabilmesi için hassas değişiklikler yapmasına izin verir.”
Bu durumun bir temsilini makalenin başında görebilirsiniz: Küçük yeşil molekül ve mor protein, sezgisel veya tahmin edilmesi kolay olmayan çok özel bir şekilde birbirine uyar. Bu sürecin etkili ve verimli simülasyonu, ilaç adaylarını belirleyen ancak daha ileri giderek ve beklendiği gibi etkileşime girip girmediklerini deneysel olarak kontrol etme ihtiyacını azaltan önceki süreçlere benzer şekilde milyarlarca molekülün taranmasına yardımcı olur.
Bunu başarmak için Aithani, diğerleri arasında RoseTTAFold algoritmasının tasarımcısı ve bir şirketin başkanı olan David Baker’a başvurdu. Washington Üniversitesi’nde etkili laboratuvar, onun kurucu ortağı olmak. Baker, akademi ve endüstride bu alanda önde gelen araştırmacılardan biri olarak tanınmaktadır ve konuyla ilgili çok sayıda makale yayınlamıştır.
Charm Therapeutics’in kurucu ortakları Laskh Aithani (solda) ve David Baker. Resim Kredisi: Cazibe Terapötikleri
Algoritmaların protein yapılarını dizilerine dayalı olarak tahmin edebildiği gösterildikten kısa bir süre sonra Baker, in vitro olarak beklendiği gibi hareket eden yeni proteinleri “halüsinasyon” yapabileceklerini de belirledi. Burada çok açık bir şekilde önde. Ve 2020’de 3 milyon dolarlık bir Atılım ödülü kazandı – kesinlikle teknik bir kurucu ortak olmak kadar. Aithani ayrıca, DeepMind gazisi Sergey Bartunov’un AI direktörü ve eski ilaç araştırmaları lideri Sarah Skerratt’ın ilaç keşif başkanı olarak varlığını gururla kaydetti.
50 milyon dolarlık A turu, General Catalyst, Khosla Ventures, Braavos ve Axial’ın katılımıyla F-Prime Capital ve OrbiMed tarafından yönetildi. Yazılım başlangıçları için bu kadar büyük miktarlar nadir olmasa da, Charm’ın bu protein-ligand etkileşimlerini karakterize etme kabiliyetini geliştirmede durmadığına dikkat edilmelidir.
Modeli oluşturmak için şirketin erken aşamadaki finansmanı kullanıldı, ancak şimdi bir sonraki adıma geçiyorlar: etkili ilaçların pozitif olarak belirlenmesi.
“İlk sürüme sahibiz [of the model] hazır ve bu in-siliko olarak doğrulandı,” dedi Aithani. “Önümüzdeki çeyreklerde, bunu deneysel olarak onaylıyoruz. ‘Ürünün’ esas olarak kendi bilim adamlarımızın haklarının %100’üne sahip olduğumuz potansiyel ilaçları keşfetmesine yardımcı olmak için dahili kullanım için olacağını unutmayın.”
Normalde test süreci, binlerce aday molekülün ıslak laboratuarda taranmasını içerir, ancak ilan edildiği gibi çalışırsa, DragonFold bu sayıyı büyük ölçüde azaltmalıdır. Bu, nispeten küçük bir bütçeye sahip nispeten küçük bir laboratuvarın, birkaç yıl önce büyük bir ilaç şirketinin yüz milyonlarca yatırım yapmasını gerektirebilecek bir ilaca makul bir şekilde ev sahipliği yapabileceği anlamına geliyor.
Yeni bir ilacın kar profili göz önüne alındığında, şirketin bu tür bir yatırımı çekmesi şaşırtıcı değil: herhangi bir büyük biyoteknoloji araştırma şirketinin Ar-Ge bütçesiyle karşılaştırıldığında birkaç on milyon, kovada bir düşüş. Tek gereken bir vuruş ve gülüyorlar. Yine de biraz zaman alıyor, ancak AI ilacının keşfi zaman çizelgelerini de kısaltıyor – bu yüzden ilk adaylarını er ya da geç duymayı bekleyin.