"İlaç keşfi" olarak adlandırılan yeni ilaçlar bulmak pahalı ve zaman alan bir iştir. Ancak makine öğrenimi adı verilen bir tür yapay zeka, süreci büyük ölçüde hızlandırabilir ve işi fiyatın çok altında yapabilir.
Meslektaşlarım ve ben yakın zamanda bu teknolojiyi, yaşlanmayı yavaşlatan ve yaşa bağlı hastalıkları önleyen ilaçlar olan senolitik ilaçlar için umut vadeden üç aday bulmak için kullandık.
Senolitikler öldürerek çalışır yaşlanan hücreler. Bunlar "canlı" (metabolik olarak aktif) ancak artık çoğalamayan hücrelerdir, bu nedenle takma adları: zombi hücreleri.
Kopyalanamama mutlaka kötü bir şey değildir. Bu hücreler, örneğin güneş ışınlarından zarar gören deri hücreleri gibi DNA'larına zarar vermiştir, dolayısıyla replikasyonun durdurulması hasarın yayılmasını durdurur.
Ancak yaşlanan hücreler her zaman iyi bir şey değildir. salgılarlar inflamatuar protein kokteyli komşu hücrelere yayılabilir. Bir ömür boyunca, hücrelerimiz UV ışınlarından kimyasallara maruz kalmaya kadar bir dizi saldırıya maruz kalır ve bu hücreler birikirler. Yüksek sayıda yaşlanan hücre, bir hastalık aralığı, tip 2 diyabet, COVID, pulmoner fibroz, osteoartrit ve kanser dahil.
Laboratuar farelerinde yapılan çalışmalar kullanarak yaşlanan hücrelerin ortadan kaldırıldığını göstermiştir. senolitikler, bu hastalıkları iyileştirebilir. Bu ilaçlar, sağlıklı hücreleri canlı tutarken zombi hücrelerini öldürebilir.
Etrafında 80 senolitik bilinmektedir, ancak yalnızca ikisi insanlarda test edilmiştir: dasatinib ve quercetin. Çeşitli hastalıklarda kullanılabilecek daha fazla senolitik bulmak harika olurdu, ancak bu on ila 20 yıl sürer ve milyarlarca dolar bir ilacın piyasaya çıkması için.
Beş dakikada sonuç
Meslektaşlarım ve ben - Edinburgh Üniversitesi'nden araştırmacılar ve İspanya, Santander'deki İspanya Ulusal Araştırma Konseyi IBBTEC-CSIC dahil - yeni senolitik ilaç adaylarını belirlemek için makine öğrenimi modelleri eğitip eğitemeyeceğimizi öğrenmek istedik.
Bunu yapmak için, AI modellerini bilinen örneklerle besledik. senolitikler ve senolitik olmayanlar. Modeller, ikisini birbirinden ayırmayı öğrendi ve daha önce hiç görmedikleri moleküllerin de senolitik olup olamayacağını tahmin etmek için kullanılabilir.
Bir makine öğrenimi problemini çözerken, bazıları diğerlerinden daha iyi performans gösterme eğiliminde olduğundan, verileri önce bir dizi farklı modelde test ederiz. En iyi performans gösteren modeli belirlemek için sürecin başında mevcut eğitim verilerinin küçük bir bölümünü ayırır ve eğitim süreci tamamlanana kadar modelden gizli tutarız. Daha sonra, modelin kaç hata yaptığını ölçmek için bu test verilerini kullanırız. En az hata yapan kazanır.
En iyi modelimizi belirledik ve tahmin yapmak için kurduk. Ona 4,340 molekül verdik ve beş dakika sonra bir sonuç listesi verdi.
AI modeli, senolitik olma olasılığının yüksek olduğunu düşündüğü en yüksek puanı alan 21 molekülü tanımladı. Orijinal 4,340 molekülü laboratuvarda test etmiş olsaydık, deneysel makine ve kurulumun maliyetini saymazsak, bileşikleri satın almak için en az birkaç haftalık yoğun bir çalışma ve 50,000 £ gerekirdi.
Daha sonra bu ilaç adaylarını iki tür hücre üzerinde test ettik: sağlıklı ve yaşlanmış. Sonuçlar, 21 bileşikten üçünün (periplocin, oleandrin ve ginkgetin) normal hücrelerin çoğunu canlı tutarken yaşlanan hücreleri yok edebildiğini gösterdi. Bu yeni senolitikler daha sonra vücutta nasıl çalıştıkları hakkında daha fazla bilgi edinmek için daha fazla teste tabi tutuldu.
Daha ayrıntılı biyolojik deneyler, üç ilaçtan oleandrinin türünün bilinen en iyi performans gösteren senolitik ilacından daha etkili olduğunu gösterdi.
Veri bilimcileri, kimyagerler ve biyologları içeren bu disiplinler arası yaklaşımın potansiyel yansımaları çok büyük. Yeterince yüksek kaliteli veri verildiğinde, AI modelleri, kimyagerlerin ve biyologların hastalıklara, özellikle de karşılanmamış ihtiyaçlara yönelik tedaviler ve çareler bulmak için yaptıkları harika işi hızlandırabilir.
Bunları yaşlanmış hücrelerde doğruladıktan sonra, şimdi insan akciğer dokusunda üç aday senolitik test ediyoruz. Bir sonraki sonuçlarımızı iki yıl içinde bildirmeyi umuyoruz.
Yazar hakkında
Vanessa Smer-Barreto, Araştırma Görevlisi, Genetik ve Moleküler Tıp Enstitüsü, Edinburgh Üniversitesi
Bu makale şu adresten yeniden yayınlandı: Konuşma Creative Commons lisansı altında. Okumak Orijinal makale.
İlgili Kitaplar:
Beden Skoru Tutar: Travmanın İyileşmesinde Beyin Zihin ve Beden
ile Bessel van der Kolk
Bu kitap, travma ile fiziksel ve zihinsel sağlık arasındaki bağlantıları araştırıyor, iyileşme ve iyileşme için içgörüler ve stratejiler sunuyor.
Daha fazla bilgi veya sipariş için tıklayın
Nefes: Kayıp Bir Sanatın Yeni Bilimi
James Nestor tarafından
Bu kitap, nefes alma bilimini ve pratiğini araştırıyor, fiziksel ve zihinsel sağlığı iyileştirmek için içgörüler ve teknikler sunuyor.
Daha fazla bilgi veya sipariş için tıklayın
Bitki Paradoksu: Hastalığa ve Kilo Almaya Neden Olan "Sağlıklı" Besinlerdeki Gizli Tehlikeler
Steven R. Gundry tarafından
Bu kitap diyet, sağlık ve hastalık arasındaki bağlantıları araştırıyor ve genel sağlık ve sıhhati iyileştirmek için içgörüler ve stratejiler sunuyor.
Daha fazla bilgi veya sipariş için tıklayın
Bağışıklık Kodu: Gerçek Sağlık ve Radikal Yaşlanma Karşıtı için Yeni Paradigma
kaydeden Joel Greene
Bu kitap, epigenetik ilkelerinden yararlanarak ve sağlık ve yaşlanmayı optimize etmek için içgörüler ve stratejiler sunarak sağlık ve bağışıklığa yeni bir bakış açısı sunuyor.
Daha fazla bilgi veya sipariş için tıklayın
Eksiksiz Oruç Rehberi: Aralıklı, Alternatif Gün ve Uzun Süreli Oruçla Vücudunuzu İyileştirin
Jason Fung ve Jimmy Moore tarafından
Bu kitap, genel sağlık ve sıhhati iyileştirmek için içgörüler ve stratejiler sunarak oruç bilimini ve uygulamasını araştırıyor.
