En ny AI-modell kan förutsäga hur molekyler utvecklas över tid och på sikt snabba på testning av nya läkemedel. Modellen har utvecklats av forskare vid Chalmers tekniska högskola och Göteborgs universitet.
Utveckling av nya läkemedel tar ofta över tio år och kostar flera miljarder kronor. En stor del av både tid och kostnad ligger i de tidiga utvecklingsstegen, där tusentals molekyler screenas i tester för att hitta lovande kandidater. Bara en liten andel går vidare i processen.
Traditionellt simuleras molekylers rörelser med så kallad molekyldynamik. Forskare beräknar steg för steg krafterna mellan alla atomer och flyttar dem en liten bit i taget. För att simuleringarna ska vara stabila krävs tidssteg på omkring en femtosekund (10⁻¹⁵ sekunder). Eftersom relevanta processer för läkemedelsutveckling sker över betydligt längre tidsskalor innebär det miljarder beräkningssteg, vilket gör metoden mycket resurskrävande.
Stora förändringar med AI
Med hjälp av AI kan forskare nu förutsäga molekylers beteende utan att simulera varje enskilt tidssteg. Maskininlärning kan snabba på beräkningarna, och generativa modeller kan direkt skapa sannolika molekylformer utan att simulera rörelsen.
Forskare vid Chalmers tekniska högskola och Göteborgs universitet har nu tagit ytterligare ett steg framåt genom att utveckla en AI-modell som kan göra läkemedelsutvecklingen effektivare. Modellen är upp till omkring 10 000 gånger snabbare än konventionella simuleringar.
– Det som skiljer ut vår AI-modell är att den lär sig själva dynamiken över längre tidsskalor. Den tar inte bara in kunskap om vilka former molekylerna antar utan också hur snabbt och via vilka vägar molekylernas övergång sker. Det är, såvitt vi vet, första gången detta görs på ett sätt som fungerar för många olika molekyler, säger forskningsledaren Simon Olsson vid Chalmers och Göteborgs universitet i ett pressmeddelande.
Tusentals molekyler har testats
I studien analyserades över 12 000 organiska molekyler, som exempelvis involverar kol-, kväve-, väte- och syreatomer, samt drygt 1 000 korta peptider, det vill säga kedjor av aminosyror som bygger proteiner.
AI-modellen lärde sig molekylernas beteende och kunde därmed hoppa framåt i tid i simuleringarna, samtidigt som resultaten fortfarande följer fysikens lagar.
– Vi tränar modellen på simulerade exempel av hur atomerna i en molekyl rör sig över tid. Utifrån dessa sekvenser lär sig modellen de underliggande reglerna för molekylernas rörelse, och kan sedan förutsäga hur nya molekyler beter sig, säger Simon Olsson.
Modellen är grunden för de beräkningsmässiga förutsägelser som forskarna sedan gör i laboratoriet.
– Där mäter vi väldigt specifika saker: egenskaper hos molekylerna, hur ”nöjda” de är med att vara i en viss lösning eller om de till exempel vill ta sig igenom ett membran in till en cell, säger Simon Olsson.
Förändringar kan förutspås
AI-modellen arbetar med ultrakorta tidsskalor. En styrka, enligt forskarna, är att den kan användas på molekyler som inte ingått i träningsdatan. Det beror på att modellen lärt sig generella regler för molekylers rörelser snarare än att memorera enskilda system.
– Det finns ett slags mönster som modellen hjälper oss att få fram. AI-modellen utgår från ett antal exempel, där den bara ser utvecklingen under upp till tio nanosekunder. Ändå kan den förutsäga egenskaper och förändringar hos molekylerna som utvecklas under tusen gånger så lång tid, säger Simon Olsson och fortsätter:
– Vi kan alltså med hjälp av artificiell intelligens ta reda på vad som ska hända i framtiden. Den kan förutsäga hur molekylerna förändras trots att den aldrig sett utvecklingen.
Läkemedelskandidater sållas fram snabbare
Eftersom den nya AI-modellen kan öka hastigheten i molekylsimuleringar där stora mängder möjliga molekyler måste testas, hoppas forskarna att den kan bidra till en mer effektiv läkemedelsutveckling.
– Vår AI-modell skulle på sikt kunna bidra till att lovande läkemedelskandidater kan sållas fram fortare, och att träffsäkerheten i tidiga skeden förbättras. Forskningsstudien visar vad som nu är möjligt, säger Juan Viguera Diez, industridoktorand vid Institutionen för data- och informationsteknik på Chalmers och Göteborgs universitet.
– Det kan förhoppningsvis bana väg för en utveckling av mer generella tekniker, som i slutändan kan underlätta utvecklingen av nya läkemedel och nya behandlingar, och i bred bemärkelse också förståelsen för sjukdomar, fortsätter han.
Vetenskaplig artikel:
Transferable generative models bridge femtosecond to nanosecond time-step molecular dynamics, Science Advances.
