Искусственный интеллект нашел применение в полифармакологии
Классическая разработка лекарств происходит по модели «одна болезнь — одна мишень — один препарат». Однако многие заболевания не имеют единой молекулярной причины, и вмешиваться в их развитие можно на различных уровнях. Один из потенциальных подходов к таким болезням — это полифармакология (использование соединений, влияющих на несколько мишеней одновременно), однако полифармакологические препараты сложно разрабатывать. Авторы статьи в Nature Communications применили для их дизайна искусственный интеллект.
Ученые разработали подход, основанный на генеративном обучении с подкреплением. Платформу назвали POLYGON; она генерирует новые молекулярные структуры и отбирает среди них оптимальные на основании их способности ингибировать оба заданных белка-мишени, а также простоты синтеза. Используя данные о связывании более 100 тысяч соединений, POLYGON распознала полифармакологические взаимодействия с точностью 82,5%. Убедившись в такой способности платформы, авторы работы разработали с ее помощью соединения, нацеленные на 10 пар белков, для которых уже подтверждены взаимодействия в клетке. Они провели анализ докинга и выяснили, что наиболее перспективные соединения связывают каждую из мишеней подобно тому, как это делают препараты, нацеленные на единственный белок.
Для валидации подхода из предложенных соединений исследователи отобрали 32 кандидата, нацеленные на MEK1 и mTOR, синтезировали эти соединения и протестировали их на клеточной модели. Оказалось, что большинство разработанных молекул в концентрации 10 мкМ снижали активность каждого из белков более чем на 50%; их концентрация полумаксимального ингибирования (IC50) лежала в диапазоне 1–10 мкМ. Уровень ингибирования киназ сильно коррелировал с жизнеспособностью клеток, которая также снижалась более чем на 50% при использованных концентрациях. Синтезированные соединения работали с достаточно высокой специфичностью — за исключением одного случая, они снижали активность других киназ не более чем на 20%. Полученные результаты подтверждают потенциал применения генеративных моделей в полифармакологии.