제퍼넷 로고

딥 러닝은 코로나19와 싸우기 위한 새로운 약물 조합을 예측하는 데 도움이 됩니다.

시간

Covid-19의 실존적 위협은 새로운 건강 문제에 대한 효과적인 치료제를 개발해야 할 절박한 필요성을 강조했습니다. 딥 러닝이 우리에게 제공한 사치 중 하나는 바이러스 위협에 대처하고 올바른 데이터에 액세스할 수 있는 한 전개되는 환경을 수정할 수 있는 능력입니다. 

모든 새로운 의학적 질병과 마찬가지로 데이터를 따라잡는 데 시간이 필요한 경우가 많으며 바이러스는 속도를 늦추는 데 시간이 걸리지 않으며 빠르게 돌연변이를 일으켜 기존 약물에 내성을 갖게 되므로 어려운 과제가 됩니다. 이로 인해 MIT 컴퓨터 과학 및 인공 지능 연구소(CSAIL)와 Jameel Clinic for Machine Learning in Health의 과학자들은 다음과 같이 질문했습니다. 빠르게 확산되는 SARS-CoV-2에 대한 올바른 시너지 약물 조합을 어떻게 식별할 수 있습니까? 

일반적으로 데이터 과학자는 딥 러닝을 사용하여 암 및 심혈관 질환과 같은 것에 대한 기존의 대규모 데이터 세트와 함께 약물 조합을 선택하지만 제한된 데이터가 있는 새로운 질병에는 사용할 수 없습니다.

필요한 사실과 수치가 없었기 때문에 팀은 두 개의 모자를 쓴 신경망이라는 새로운 접근 방식이 필요했습니다. 약물 시너지는 종종 생물학적 표적(예: 단백질 또는 핵산)의 억제를 통해 발생하기 때문에 모델은 약물-표적 상호작용 및 약물-약물 시너지를 공동으로 학습하여 새로운 조합을 찾습니다. 약물 표적 예측자는 약물과 선택한 질병과 관련된 알려진 생물학적 표적 세트 간의 상호 작용을 모델링합니다. 표적-질병 연관 예측자는 약물의 항바이러스 활성을 이해하는 법을 배웁니다. 이는 감염된 조직 배양에서 바이러스 수율을 결정하는 것을 의미합니다. 함께 두 약물의 시너지를 예측할 수 있습니다. 

이 접근법을 사용하여 렘데시비르(현재 FDA에서 Covid-19 치료용으로 승인)와 레세르핀, 생물학적 분석에서 바이러스에 대해 강력한 것으로 입증된 렘데시비르 및 IQ-1S의 두 가지 새로운 약물 조합이 발견되었습니다. 연구는 출판 FBI 증오 범죄 보고서 국립 과학 아카데미 회보.

"약물과 생물학적 표적 사이의 상호 작용을 모델링함으로써 우리는 조합 시너지 데이터에 대한 의존도를 크게 줄일 수 있습니다."라고 최근 CSAIL에서 박사 과정을 마친 MIT와 하버드의 Broad Institute의 박사후 연구원인 Wengong Jin SM '18이 말했습니다. 연구에 대한 새로운 논문의 주 저자입니다. "약물-표적 상호작용을 고정 설명자로 사용하는 이전 접근 방식과 달리 우리 방법은 분자 구조에서 약물-표적 상호작용을 예측하는 방법을 배웁니다. 이는 많은 양의 화합물이 불완전한 약물-표적 상호작용 정보를 갖고 있기 때문에 유리합니다.” 

효능을 최대화하는 동시에 부작용을 줄이기 위해 여러 약물을 사용하는 것은 결핵, 나병 및 말라리아와 같은 기타 다수를 포함하여 앞서 언급한 암 및 심혈관 질환에 실질적으로 도처에 있습니다. 특수 약물 칵테일을 사용하면 매우 중요하게는 내성의 중대하고 때로는 대중의 위협을 줄일 수 있습니다(메티실린 내성 포도상 구균 많은 약물 내성 돌연변이가 상호 배타적이기 때문에 "MRSA"로 알려져 있습니다. 바이러스가 동시에 두 가지 돌연변이를 일으키고 나서 병용 요법에서 두 가지 약물에 내성이 생기는 것은 훨씬 더 어렵습니다. 

중요한 것은 이 모델이 하나의 SARS-CoV-2 변종에만 국한되지 않는다는 것입니다. 또한 잠재적으로 전염성이 증가하는 Delta 변종 또는 발생할 수 있는 우려되는 다른 변종에도 사용될 수 있습니다. 이러한 균주에 대한 모델의 효능을 확장하려면 관련 돌연변이에 대한 추가 약물 조합 시너지 데이터만 있으면 됩니다. 또한 팀은 HIV 및 췌장암에 대한 접근 방식을 적용했습니다.

생물학적 모델링을 더욱 정교하게 하기 위해 팀은 단백질-단백질 상호작용 및 유전자 조절 네트워크와 같은 추가 정보를 통합할 계획입니다. 

그들이 탐구하고 있는 미래 작업에 대한 또 다른 방향은 "능동 학습"이라고 하는 것입니다. 많은 약물 조합 모델은 제한된 크기로 인해 특정 화학 공간에 편향되어 있으므로 예측의 불확실성이 높습니다. 능동적 학습은 데이터 수집 프로세스를 안내하고 더 넓은 화학 공간에서 정확도를 향상시키는 데 도움이 됩니다. 

Jin은 MIT 및 Harvard의 Broad Institute의 Banting Fellow인 Jonathan M. Stokes와 함께 논문을 작성했습니다. National Center for Advancing Translational Sciences의 과학자 Richard T. Eastman; 국립 보건원(National Institutes of Health)의 과학자인 지나 잇킨(Zina Itkin); Alexey V. Zakharo, NCATS(National Center for Advancing Translational Sciences) 정보학 책임자; James J. Collins, MIT의 생물 공학 교수; Tommi S. Jaakkola와 Regina Barzilay, MIT의 전기 공학 및 컴퓨터 과학 교수.

이 프로젝트는 Abdul Latif Jameel Clinic for Machine Learning in Health에서 지원합니다. 국방위협감소국; 패트릭 J. 맥거번 재단; DARPA 가속 분자 발견 프로그램; 그리고 부분적으로는 국립 보건원(National Institutes of Health) 내의 번역 과학 발전을 위한 국립 센터(National Center for Advancing Translational Sciences)의 교내/교외 연구 프로그램입니다.

PlatoAi. Web3 재창조. 데이터 인텔리전스 증폭.
액세스하려면 여기를 클릭하십시오.

출처: https://news.mit.edu/2021/deep-learning-helps-predict-new-drug-combinations-fight-covid-19-0924

spot_img

최신 인텔리전스

spot_img