L’IA pour los angeles découverte de médicaments offre des résultats inattendus

Quelle est los angeles molécule médicamenteuse los angeles plus efficace ? Les chercheurs recherchent frénétiquement des principes actifs efficaces pour lutter contre les maladies. Ces composés sont souvent basés sur des protéines, qui sont généralement des enzymes ou des récepteurs qui déclenchent une série spécifique d’movements physiologiques.

Dans certains cas, certaines molécules ont également pour however de prévenir des réactions indésirables dans l’organisme, comme une réponse inflammatoire over the top. Compte tenu du grand nombre de composés chimiques disponibles, cette recherche revient à première vue à chercher une aiguille dans une botte de foin. Par conséquent, los angeles découverte de médicaments tente d’utiliser des modèles scientifiques pour prédire quelles molécules se connecteront le mieux à los angeles protéine cible et se lieront le plus fortement. Les médicaments candidats potentiels sont ensuite étudiés plus en détail dans le cadre d’études pilotes.

Depuis les progrès de l’intelligence artificielle, los angeles recherche sur los angeles découverte de médicaments a de plus en plus recours aux programs d’apprentissage automatique. En tant que l’un des nombreux « réseaux de neurones graphiques » (GNN), ils offrent l’une des nombreuses opportunités pour de telles programs. Ils sont adaptés pour prédire, par exemple, los angeles pressure avec laquelle une molécule particulière se liera à une protéine cible.

À cette fin, les modèles GNN sont formés à l’aide de graphiques représentant des complexes formés entre des protéines et des composés chimiques (ligands). Les graphiques sont généralement constitués de nœuds qui représentent des objets et d’arêtes qui représentent les family members entre les nœuds. Dans les représentations graphiques des complexes protéine-ligand, les bords relient uniquement les nœuds protéine ou ligand, qui représentent respectivement leurs constructions, ou les nœuds protéine et ligand, qui représentent des interactions protéine-ligand spécifiques.

«Los angeles façon dont les GNN parviennent à leurs prédictions est comme une boîte noire dans laquelle nous ne pouvons pas examiner», explique le professeur Jürgen Bagorath. Le chercheur en informatique chimique de l’Institut LIMES de l’Université de Bonn, du Centre world de technologie de l’knowledge de Bonn-Aix-la-Chapelle (B-IT) et de l’Institut Lamar pour l’apprentissage automatique et l’intelligence artificielle de Bonn, en collaboration avec des collègues de l’Université Sapienza de Rome a analysé en détail si les réseaux neuronaux graphiques apprennent. En effet, les interactions protéine-ligand sont utilisées pour prédire los angeles pressure avec laquelle une substance lively se liera à une protéine cible.

Los angeles recherche est publiée dans L’intelligence artificielle de los angeles nature.

Remark fonctionnent les programs d’intelligence artificielle ?

Les chercheurs ont analysé un overall de six architectures GNN différentes à l’aide d’une méthode « EdgeSHAPer » spécialement développée et d’une méthodologie de comparaison conceptuellement différente. Ces programmes informatiques « vérifient » si les GNN apprennent les interactions composé-protéine les plus importantes, et prédisent ainsi los angeles pressure du ligand, comme prévu et attendu par les chercheurs – ou si l’IA arrive aux prédictions par d’autres moyens. .

“Les GNN dépendent fortement des données sur lesquelles ils sont formés”, explique le premier auteur de l’étude, Ph.D. le candidat Andrea Mastropietro de l’Université Sapienza de Rome, qui a mené une partie de ses recherches doctorales dans le groupe du professeur Bagorath à Bonn.

Les scientifiques ont entraîné les six réseaux neuronaux à l’aide de graphiques extraits des constructions de complexes protéine-ligand, dont le mode d’motion et los angeles pressure de liaison des composés aux protéines cibles étaient déjà connus grâce aux expériences. Les GNN formés ont ensuite été testés sur d’autres complexes. L’analyse ultérieure d’EdgeSHAPer a ensuite permis de comprendre remark les GNN généraient des prédictions apparemment prometteuses.

“Si les GNN veulent faire ce qu’on attend d’eux, ils doivent connaître les interactions entre le composé et los angeles protéine cible et les prédictions doivent être faites en priorisant les interactions spécifiques”, explique le professeur Bagurath. Cependant, selon les analyses de l’équipe de recherche, les six réseaux n’y sont pour l’essentiel pas parvenus.

Los angeles plupart des GNN n’ont appris que quelques interactions protéine-médicament et se sont principalement concentrés sur les ligands. “Pour prédire los angeles pressure de liaison d’une molécule à une protéine cible”, explique Bagorath, “les modèles se souvenaient essentiellement des molécules chimiquement similaires rencontrées au cours de l’entraînement et de leurs données de liaison, quelle que soit los angeles protéine cible. Les similitudes chimiques apprises déterminaient alors essentiellement los angeles pressure de liaison d’une molécule à une protéine cible”, explique Bagorath. prédictions. »

Selon les scientifiques, cela rappelle beaucoup «l’effet Hans clever». Cet effet indique un cheval apparemment fiable. Le nombre de fois où Hans a tapoté son sabot était censé indiquer le résultat d’un calcul. Mais il s’est avéré que le cheval n’était pas du tout succesful de calculer, mais déduisait plutôt les résultats attendus des nuances des expressions faciales et des gestes de son compagnon.

Que signifient ces résultats pour los angeles recherche sur los angeles découverte de médicaments ? “Il n’est généralement pas admis que les GNN apprennent les réactions chimiques entre les components actives et les protéines”, explique l’informaticien chimiste.

Leurs prédictions sont largement surestimées automotive des prédictions de qualité équivalente peuvent être faites en utilisant des connaissances chimiques et des méthodes plus simples. Cependant, los angeles recherche offre également des opportunités pour l’intelligence artificielle.

Deux des modèles examinés par GNN ont montré une nette tendance à apprendre davantage d’interactions lorsque los angeles puissance des composés testés augmentait. «Cela vaut los angeles peine d’y regarder de plus près», déclare Bagorath. Peut-être que ces GNN peuvent être améliorés dans los angeles route souhaitée grâce à des représentations modifiées et à des ways de formation.

Cependant, l’hypothèse selon laquelle les grandeurs physiques peuvent être apprises sur los angeles base de diagrammes moléculaires doit être traitée avec prudence en général. “L’IA n’est pas de los angeles magie noire”, déclare Bagorath.

En fait, il considère los angeles précédente e-newsletter en libre accès d’EdgeSHAPer et d’autres outils d’analyse développés sur mesure comme des approches prometteuses pour faire los angeles lumière sur los angeles boîte noire des modèles d’IA. L’approche de son équipe se concentre actuellement sur les GNN et les nouveaux « modèles de langage chimique ».

“Développer des moyens d’expliquer les prédictions de modèles complexes est un domaine essential de los angeles recherche sur l’IA”, explique Bagorath. “Il existe également des approches d’autres architectures de réseau, telles que les modèles de langage, qui aident à mieux comprendre remark l’apprentissage automatique arrive à ses résultats. .»

Il s’attend également à ce que des choses passionnantes se produisent bientôt dans le domaine de « l’IA explicable » à l’Institut Lamar, où il travaille en tant que chercheur essential et chef du département d’intelligence artificielle dans les sciences de los angeles vie.

Fourni par los angeles Rheinische Friedrich-Wilhelms-Universität Bonn