Представители компаний Molecular Health (Molecular Health) и Axxam (Axxam) рассказали, как объединение анализа данных и лабораторных экспериментов может снижать неопределенность на ранних стадиях разработки препаратов.
Материал был подготовлен в формате спонсируемого интервью, а не независимого научного исследования. В нем компании описывают собственный подход и предоставляемые услуги. Представленные утверждения поэтому не следует рассматривать как доказательство того, что такая система уже повысила вероятность регистрации лекарств или снизила стоимость их разработки.
Что называют лекарственной мишенью
Лекарственная мишень — это молекула или клеточный механизм, на который должен воздействовать препарат. Такой мишенью может быть белок, фермент, рецептор, ген или сигнальный путь.
Например, если определенный белок поддерживает воспаление, рост опухоли или гибель нервных клеток, его блокирование теоретически может замедлить заболевание. Но одной связи с болезнью недостаточно.
Исследователям необходимо установить, действительно ли изменение активности мишени влияет на течение заболевания, можно ли безопасно воздействовать на нее лекарством и не приведет ли это к повреждению здоровых тканей.
Ошибочно выбранная мишень способна привести к неудаче даже тогда, когда сам препарат хорошо связывается с нужной молекулой.
Почему разработка лекарства — это не только прогнозирование
Соучредитель и технический руководитель Molecular Health Штефан Брок (Stephan Brock) отметил, что искусственный интеллект уже применяют на разных этапах разработки препаратов — от поиска мишеней до оценки безопасности и планирования клинических исследований.
Алгоритмы могут находить закономерности в больших массивах данных и предлагать кандидатов, которые человек мог бы не заметить. Однако главная задача состоит не в получении длинного списка прогнозов, а в принятии обоснованного решения.
Разработка лекарства проходит в условиях высокой неопределенности. Даже сильная биологическая гипотеза может не подтвердиться из-за недостаточной эффективности, токсичности, различий между пациентами или невозможности доставить препарат в нужную ткань.
Поэтому вывод алгоритма должен сопровождаться понятными доказательствами: на каких данных он основан, какие исследования его поддерживают и какие сведения ему противоречат.
Прозрачность важнее одного высокого балла
Многие вычислительные системы присваивают потенциальным мишеням числовой рейтинг. Но сам по себе высокий показатель мало полезен, если исследователь не понимает, как он был получен.
По словам Штефана Брока (Stephan Brock), каждую гипотезу необходимо связывать с проверяемыми источниками данных. Специалисты должны иметь возможность изучить доказательства, оспорить интерпретацию и повторно проверить вывод.
Особенно это важно при принятии решений, от которых зависят годы исследований и значительные финансовые вложения.
Алгоритм может хорошо распознавать статистические связи, но не всегда отличает причинный механизм от случайного совпадения. Например, активность определенного гена может возрастать при заболевании, не являясь его причиной.
Зачем объединять разные виды данных
Сведения о заболевании распределены между множеством источников. К ним относятся:
- генетические исследования;
- данные об активности генов;
- результаты опытов на клетках и животных;
- сведения о пациентах;
- медицинская литература;
- информация о лекарствах и их мишенях;
- данные о нежелательных реакциях.
Изолированное рассмотрение одного набора данных может дать неполную или ошибочную картину.
Molecular Health использует граф знаний — вычислительную структуру, в которой гены, белки, заболевания, препараты и биологические процессы представлены как связанные между собой объекты.
Такой подход позволяет не просто собрать сведения в одном месте, но и проследить, каким образом конкретный ген связан с заболеванием, лекарством, клеточным процессом или клиническим проявлением.
Что означает многомодальный анализ
Многомодальным называют анализ, объединяющий данные разного происхождения и строения.
Например, генетические исследования могут указывать, что определенный вариант гена повышает риск заболевания. Анализ активности генов способен показать, что тот же ген особенно активен в пораженной ткани. Клинические данные могут связать его работу с тяжестью симптомов, а лабораторные эксперименты — подтвердить влияние на клеточный процесс.
Каждая линия доказательств имеет собственные ограничения. Но когда несколько независимых источников указывают в одном направлении, уверенность в гипотезе повышается.
Представители компаний называют такие свидетельства ортогональными — то есть основанными на разных методах и не повторяющими одно и то же наблюдение.
Как из длинного списка выбирают кандидатов
После вычислительного анализа исследователи могут получить десятки или сотни потенциальных мишеней. Проверить каждую из них в полном объеме практически невозможно.
Поэтому кандидатов ранжируют с учетом нескольких признаков:
- связи с механизмом заболевания;
- подтверждения в независимых наборах данных;
- активности в нужной ткани или типе клеток;
- возможности воздействовать на молекулу лекарством;
- вероятных рисков для безопасности;
- доступности подходящей экспериментальной модели.
Под лекарственной доступностью понимают возможность создать вещество, антитело или другой метод, способный достаточно избирательно изменить работу мишени.
Некоторые биологически важные белки имеют строение, к которому трудно подобрать небольшую молекулу. Другие присутствуют во многих здоровых тканях, из-за чего их подавление может вызвать тяжелые нежелательные последствия.
Компьютерный прогноз проверяют в клетках
На следующем этапе выбранную мишень исследуют экспериментально.
Научный специалист Axxam Алессандро Чинти (Alessandro Cinti) выделил три основных направления проверки: изучение присутствия мишени в подходящей биологической системе, изменение ее активности генетическими методами и оценку последствий для клеток.
Сначала специалисты определяют, вырабатывается ли нужный белок или рибонуклеиновая кислота в клетках, имеющих отношение к заболеванию.
Для этого могут использоваться обычные клеточные линии, первичные клетки, полученные непосредственно из тканей, образцы пациентов или модели, созданные из индуцированных плюрипотентных стволовых клеток.
Индуцированные плюрипотентные стволовые клетки получают путем возвращения зрелых клеток в состояние, из которого они могут вновь превращаться в разные типы тканей.
Зачем изменять работу гена
Само присутствие белка в больной ткани не доказывает, что он участвует в развитии заболевания. Для проверки причинной связи исследователи искусственно уменьшают или усиливают активность соответствующего гена.
В интервью упоминаются система кластеризованных коротких палиндромных повторов с регулярно расположенными промежутками и белок Cas9 (CRISPR-Cas9), подавление или активация генов с помощью измененных систем CRISPR, а также интерференция рибонуклеиновой кислоты.
CRISPR-Cas9 позволяет направленно изменять участок дезоксирибонуклеиновой кислоты. Другие варианты технологии могут снижать или повышать активность гена, не разрезая его последовательность.
Интерференция рибонуклеиновой кислоты уменьшает количество матричной рибонуклеиновой кислоты, необходимой для образования выбранного белка.
Если отключение мишени уменьшает признаки заболевания в клеточной модели, это усиливает гипотезу о ее причинной роли. Но результат необходимо подтвердить несколькими независимыми способами, поскольку каждый метод может давать побочные эффекты.
Как оценивают реакцию клетки
После изменения мишени ученые изучают не один показатель, а широкий набор клеточных признаков.
Высокосодержательная визуализация позволяет автоматически получать и анализировать большое количество микроскопических изображений. Метод, известный как «окрашивание клетки», оценивает форму клетки, ядра, митохондрий и других внутриклеточных структур.
Сочетание многих характеристик формирует фенотипический профиль — подробное описание того, как клетка изменилась после воздействия.
Исследователи также могут измерять активность генов, состав белков, электрические свойства клеточной мембраны, уровень кальция, работу ферментов и передачу сигналов через рецепторы.
Чем больше независимых измерений подтверждают ожидаемый эффект, тем выше уверенность, что мишень действительно связана с нужным механизмом.
Для разных болезней нужны разные модели
Универсальной клеточной системы для проверки всех мишеней не существует. Модель должна воспроизводить хотя бы часть биологии конкретного заболевания.
При изучении сердечно-сосудистых болезней могут оцениваться сокращения клеток сердца, движение кальция и электрическая активность.
В исследованиях нервной системы используют нейроны, полученные из индуцированных плюрипотентных стволовых клеток, регистрацию электрических сигналов и анализ работы нейронных сетей.
В онкологии применяют опухолевые клеточные линии, образцы пациентов и трехмерные модели. Последние лучше обычного плоского слоя клеток воспроизводят взаимодействие между клетками и проникновение лекарственного вещества внутрь опухоли.
Однако даже сложная модель остается упрощением. Она не полностью отражает обмен веществ, иммунную систему и взаимодействие органов в организме человека.
Анализ должен работать в обе стороны
Научный специалист по данным Axxam Сэмюэл Брэдберри (Samuel Bradberry) подчеркнул, что вычислительный анализ и лабораторную проверку следует рассматривать как непрерывный цикл.
Сначала алгоритм предлагает мишени на основании имеющихся данных. Затем эксперименты подтверждают или опровергают гипотезы. Полученные результаты возвращают в вычислительную систему, чтобы уточнить связи и сформировать новые предположения.
Такой подход может уменьшить вероятность того, что исследователи потратят годы на мишень, которая не имеет причинного отношения к заболеванию.
При этом отрицательный экспериментальный результат также полезен. Он помогает исключить слабого кандидата и выявить ограничения исходной вычислительной модели.
Почему искусственный интеллект не устраняет риск неудачи
Даже хорошо проверенная мишень не гарантирует успешного препарата.
После выбора мишени необходимо найти исходное активное соединение, повысить его эффективность и избирательность, изучить токсичность, определить способ доставки и проверить препарат в клинических испытаниях.
Лекарство может не достигать нужной ткани, быстро разрушаться в организме или взаимодействовать с другими белками. Мишень, важная в клеточной модели, может оказаться менее значимой у пациентов из-за способности организма компенсировать ее подавление.
Кроме того, качество алгоритма напрямую зависит от качества исходных данных. Неполные, противоречивые или систематически смещенные сведения могут привести к убедительно выглядящему, но неверному выводу.
Поэтому искусственный интеллект следует рассматривать как средство систематизации доказательств и поддержки специалистов, а не как автономного разработчика лекарств.
Что пока не доказано
Интервью описывает технологическую стратегию двух компаний, но не приводит результатов контролируемого сравнительного исследования.
Из материала нельзя определить:
- сколько мишеней было предложено системой;
- какая доля прогнозов подтвердилась экспериментально;
- как метод сравнивали с обычной работой специалистов;
- сократилось ли время разработки;
- уменьшились ли расходы;
- повысилась ли вероятность успеха клинических испытаний.
Без таких данных невозможно количественно оценить преимущества подхода.
Для подтверждения эффективности необходимы исследования, в которых заранее определяют показатели успеха и сравнивают программы, использующие новую систему, с подходящими контрольными данными.
Материал имеет коммерческий характер
Исходное интервью опубликовано как спонсируемый материал. Axxam описывает в нем собственный комплекс услуг ранней разработки лекарств, включающий поиск и проверку мишеней, создание анализов, автоматизированный скрининг соединений и последующую оптимизацию кандидатов.
Это не делает информацию автоматически неверной, но требует учитывать возможную заинтересованность участников в представлении технологии с положительной стороны.
Читателю важно различать описание возможностей платформы и независимое доказательство ее клинической или экономической эффективности.
Схожий принцип действует и в других областях медицинского искусственного интеллекта: алгоритм должен не только выдавать результат, но и проходить проверку на независимых данных и в реальных условиях.
Литература
Brock S., Cinti A., Bradberry S. AI-powered analytics and experimental validation in target identification for drug discovery: interview // News-Medical. — Sponsored Content.