A Google Antigravity egy óra alatt tervezhet új gyógyszerjelölteket

A gyógyszerkutatás adatkezelési terheit csökkentené

Az új gyógyszerek fejlesztéséhez a kutatóknak tudományos cikkekből, ábrákból és grafikonokból kell adatokat összegyűjteniük, prediktív modelleket kell betanítaniuk, majd szintetizálható molekulajelölteket kell javasolniuk. A Google DeepMind szerint egyetlen ilyen iteráció jellemzően több napig tart.

A Google Antigravity új Cheminformatics Skills, vagyis cheminformatikai készségei ezt a folyamatot támogatják. A rendszer különböző forrásokból származó molekuláris adatokat egyesít, miközben kezeli, hogy ugyanaz a vegyület többféle formában jelenhet meg. Egy publikációban például IUPAC-névként, szabadalomban Markush-struktúraként, katalógusban pedig SDF-fájlként szerepelhet.

A készségek az RDKit nyílt forráskódú cheminformatikai eszköztárára, valamint a ChEMBL és a PubChem válogatott erőforrásaihoz készült csatlakozókra támaszkodnak. A nyelvi modell a munkafolyamatot szervezi, adatbázisokban navigál és tudományos következtetéseket készít, a molekuláris számításokat viszont determinisztikus kémiai eszközök végzik.

A crizotinib és a lorlatinib szolgáltatta a példát

A bemutató középpontjában a molekulák merevítése áll. A gyógyszermolekulákban található forgatható kötések többféle térbeli alakot tesznek lehetővé. A célponthoz való kötődéshez azonban egy meghatározott aktív alakra van szükség, ezért a medicinal chemistry gyakran további kötésekkel korlátozza a molekula mozgását.

A Google DeepMind a crizotinibet és a lorlatinibet használta példaként. A crizotinib első generációs, kis molekulájú tirozin-kináz-gátló, amelyet a nem kissejtes tüdőkarcinóma bizonyos formáinak kezelésére használnak, és öt fő forgatható kötéssel rendelkezik. A harmadik generációs lorlatinib hasonló hozzá, de a molekula egyik végét gyűrűvé alakították, így a hatékonyan forgatható kötések száma nullára csökkent. A forrás szerint ez többek között nagyobb hatáserősséggel jár.

Az Antigravity a szakirodalomban megkereste ezeket a gyógyszereket és analógjaikat, kinyerte a molekulákat és a hozzájuk tartozó adatokat, majd kiszűrte az olyan, az elemzés szempontjából irreleváns anyagokat, mint a pufferek és az oldószerek. A létrehozott jelentés a forrásokat is dokumentálta.

Elemzés, gépi tanulás és új szintézisútvonalak

A rendszer interaktív nézetet készített a megtisztított vegyületkészletről. Ebben a kutatók az egyes molekulák metaadatait vizsgálhatták, illetve összefüggéseket ábrázolhattak. A hatáserősség és a forgatható kötések számának összevetése azt mutatta, hogy a makrociklusok, például a lorlatinib, általában kevesebb forgatható kötéssel és nagyobb hatáserősséggel rendelkeznek. Az elemzés szerint a vizsgált makrociklusok nagy része előrejelzés alapján képes lehet átjutni a vér-agy gáton, ami a tüdőrák agyi áttétei miatt fontos tulajdonság.

Az Antigravity párosított molekulák elemzését is elvégezte. Ez olyan molekulapárok összehasonlítása, amelyek csak egy kisebb, meghatározott változásban különböznek egymástól. A ciklizált és nem ciklizált molekulák vizsgálata szerint a ciklizálás csökkenti a forgatható kötések számát, és általában növeli a hatáserősséget.

A rendszer többféle jellemzőkészlettel és modellarchitektúrával hatáserősség-előrejelző modelleket épített, majd ezeket elkülönített adatokon ellenőrizte. A készségek útmutatást adnak a molekuláris gépi tanulási modellek felépítéséhez. Ha rendelkezésre áll az időbeli sorrend, a rendszer gyakran régebbi vegyületeken tanít és újabbakon jósol, más esetben vázalapú felosztást használ a modellek általánosíthatóságának becslésére.

A következő lépésben az agent több új, továbbfejlesztett makrociklust és hozzájuk tartozó lehetséges reakciókat, illetve szintézisútvonalakat javasolt. A reakciók ellenőrzésére és módosítására, elektronmozgást bemutató reakcióábrák készítésére, valamint hasonló reakciók nyilvános adatbázisokban való keresésére is képes. A javasolt vegyületek további elemzéshez AlphaFoldba vagy molekuladinamikai szimulációkba exportálhatók.

A tervek még tesztelendő hipotézisek

A Google DeepMind hangsúlyozza, hogy a számításos tervek nem kész gyógyszerek. A ritka adatok, a laborok közötti mérési zaj és a szűk mérési tartomány korlátozhatja még a fejlett modellek előrejelzési pontosságát is.

A Google Antigravity eredményei különböző formátumokban exportálhatók, így a létrehozott adatok és tervek több ipari szabványú kémiai szoftverben is felhasználhatók. A forrás alapján az eszköz elsősorban a szakirodalom feldolgozását, az adatok rendezését, a modellezést és a kísérletileg ellenőrizhető molekulajelöltek előkészítését gyorsíthatja.