Wanneer u een medicijn neemt, je wilt precies weten wat het doet. Farmaceutische bedrijven ondergaan uitgebreide tests om ervoor te zorgen dat u dat doet.

Met een nieuwe, op deep learning gebaseerde techniek die is ontwikkeld aan de Brown School of Engineering van Rice University, ze kunnen binnenkort een beter idee krijgen van hoe medicijnen in ontwikkeling zullen presteren in het menselijk lichaam.

Het Rice-lab van computerwetenschapper Lydia Kavraki heeft Metabolite Translator geïntroduceerd, een rekentool die metabolieten voorspelt, de producten van interacties tussen kleine moleculen zoals medicijnen en enzymen.

De Rice-onderzoekers profiteren van diepgaande leermethoden en de beschikbaarheid van enorme reactiedatasets om ontwikkelaars een breed beeld te geven van wat een medicijn zal doen. De methode is niet beperkt door regels die bedrijven gebruiken om metabolische reacties te bepalen, het openen van een weg naar nieuwe ontdekkingen.

"Als je probeert te bepalen of een verbinding een potentieel medicijn is, je moet controleren op toxiciteit, " zei Kavraki. "Je wilt bevestigen dat het doet wat het moet doen, maar je wilt ook weten wat er nog meer kan gebeuren."

Het onderzoek van Kavraki, hoofdauteur en afgestudeerde student Eleni Litsa en Rice-alumna Payel Das van IBM's Thomas J. Watson Research Center, wordt gedetailleerd beschreven in het tijdschrift Royal Society of Chemistry Chemische Wetenschap.

De onderzoekers trainden Metabolite Translator om metabolieten te voorspellen via elk enzym, maar het succes ervan afgemeten aan de bestaande, op regels gebaseerde methoden die gericht zijn op de enzymen in de lever. Deze enzymen zijn verantwoordelijk voor het ontgiften en elimineren van xenobiotica, zoals medicijnen, pesticiden en verontreinigende stoffen. Echter, metabolieten kunnen ook door andere enzymen worden gevormd.

"Onze lichamen zijn netwerken van chemische reacties, Litsa zei. "Ze hebben enzymen die inwerken op chemicaliën en die kunnen breken of bindingen vormen die hun structuren veranderen in iets dat giftig kan zijn. of andere complicaties veroorzaken. Bestaande methodologieën richten zich op de lever omdat de meeste xenobiotische verbindingen daar worden gemetaboliseerd. Met ons werk, we proberen de menselijke stofwisseling in het algemeen vast te leggen.

"De veiligheid van een medicijn hangt niet alleen af ​​van het medicijn zelf, maar ook van de metabolieten die kunnen worden gevormd wanneer het medicijn in het lichaam wordt verwerkt, ' zei Litsa.

De opkomst van machine learning-architecturen die werken op gestructureerde gegevens, zoals chemische moleculen, het werk mogelijk maken, ze zei. Transformer werd in 2017 geïntroduceerd als een methode voor het vertalen van sequenties die op grote schaal wordt gebruikt in taalvertaling.

Metabolite Translator is gebaseerd op SMILES (voor "vereenvoudigd moleculair invoersysteem"), een notatiemethode die gewone tekst gebruikt in plaats van diagrammen om chemische moleculen weer te geven.

"Wat we doen is precies hetzelfde als het vertalen van een taal, zoals Engels naar Duits, ' zei Litsa.

Door het ontbreken van experimentele gegevens, het lab gebruikte transfer learning om Metabolite Translator te ontwikkelen. Ze hebben eerst een Transformer-model voorgetraind op 900, 000 bekende chemische reacties en vervolgens verfijnd met gegevens over menselijke metabolische transformaties.

De onderzoekers vergeleken de resultaten van Metabolite Translator met die van verschillende andere voorspellende technieken door bekende SMILES-sequenties van 65 geneesmiddelen en 179 metaboliserende enzymen te analyseren. Hoewel Metabolite Translator is getraind op een algemene dataset die niet specifiek is voor medicijnen, het presteerde even goed als veelgebruikte, op regels gebaseerde methoden die specifiek voor drugs zijn ontwikkeld. Maar het identificeerde ook enzymen die niet vaak betrokken zijn bij het metabolisme van geneesmiddelen en die niet werden gevonden door bestaande methoden.

"We hebben een systeem dat net zo goed kan voorspellen als op regels gebaseerde systemen, en we hebben geen regels in ons systeem gezet die handwerk en vakkennis vereisen, "Zei Kavraki. "Met behulp van een op machine learning gebaseerde methode, we trainen een systeem om het menselijke metabolisme te begrijpen zonder de noodzaak om deze kennis expliciet in de vorm van regels te coderen. Dit werk zou twee jaar geleden niet mogelijk zijn geweest."

Kavraki is de Noah Harding hoogleraar computerwetenschappen, een professor in de bio-engineering, werktuigbouwkunde en elektrotechniek en computertechniek en directeur van Rice's Ken Kennedy Institute. Rice University en het Cancer Prevention and Research Institute of Texas steunden het onderzoek.