AI-samarbete snabbar på utveckling av läkemedel

Samarbete mellan ledande läkemedelsföretag och AI-specialister har visat sig vara en kraftfull katalysator för utvecklingen av nya läkemedel. Enligt en studie publicerad i Nature har ett konsortium av företag bevisat att insamling av tusentals proteinstrukturer, som genererats under läkemedelsforskning, avsevärt kan förbättra hur AI-modeller förutspår interaktioner mellan proteiner och molekyler.

Forskarna bakom projektet använde 20 167 proteinstrukturer från fem olika läkemedelsföretag för att förfina en modell baserad på OpenFold3, en öppen källkodsreplika av AlphaFold 3. Resultaten indikerar att denna datainmatning leder till mer exakta förutsägelser jämfört med liknande modeller som endast tränats med offentlig information.

Initiativet kommer från AI Structural Biology (AISB) Network, ett samarbete där företag som AbbVie och Astex Pharmaceuticals deltar. Grundtanken är att industrins egna forskningsdata kan komplettera offentliga databaser och därmed stärka AI:s kapacitet inom läkemedelsforskning. Proteinstrukturer är avgörande för att förstå proteinernas funktion och deras interaktion med potentiella läkemedel. Under forskningsprocesser skapas otaliga sådana strukturer genom metoder som röntgenkristallografi och kryoelektronmikroskopi.

En betydande del av dessa strukturer är kopplade till läkemedelsutvecklingsprogram och finns därför inte i offentliga databaser. Forskarna ser detta som en stor möjlighet att utöka kunskapsbasen och förbättra AI-modeller inom strukturbiologi.

Den mest etablerade databasen inom området är Protein Data Bank (PDB), som innehåller över 200 000 experimentellt bestämda proteinstrukturer. PDB var en hörnsten i träningen av AlphaFold 2, vilket ledde till banbrytande framsteg inom proteinprediktion. De senaste modellerna har utökat denna förmåga till att även studera proteiners interaktion med andra molekyler, inklusive potentiella läkemedel. Tillgång till fler interaktionsstrukturer förbättrar dessa prediktioner ytterligare.

AISB Network har använt OpenFold3, som tidigare tränats med PDB-data, och förfinat den med 20 167 ytterligare proteinstrukturer bundna till potentiella läkemedel eller ligander. Data från de fem företagen integrerades under träningsprocessen med bibehållen sekretess för proprietär information. Projektet demonstrerar därmed hur företag kan samarbeta effektivt utan att avslöja interna data.

För att utvärdera resultaten reserverades 1 056 protein- och ligandstrukturer som inte användes under träningen. Modellen utvecklad av AISB Network uppnådde hög precision i över hälften av dessa fall, vilket var betydligt bättre än den offentliga versionen av OpenFold3, som uppnådde samma resultat i cirka en tredjedel av fallen, och Boltz-2, en annan öppen källkodsmodell, som nådde ungefär 40 procent.

En anmärkningsvärd insikt var att den kombinerade modellen även överträffade verktyg som utvecklats med enbart data från enskilda företag. Denna erfarenhet understryker värdet av att kombinera data från olika källor för att förstärka AI inom biologin. Varje företag besitter unik information från sin forskning, men att slå samman denna kunskap skapar bredare inlärningsunderlag för AI-modeller.

Denna metod banar väg för fortsatt samarbete mellan läkemedelsindustrin och den vetenskapliga världen för att utveckla alltmer kraftfulla AI-verktyg för studier av proteiner och molekyler. Förbättrad proteinprediktion är särskilt relevant för att upptäcka nya läkemedel. Förmågan att bättre förutse proteiners beteende och interaktioner kan ge forskare nya verktyg för att utforska potentiella behandlingar.

Projektets resultat förstärker också intresset för att generera och dela nya datamängder med forskarsamhället. Initiativ som OpenBind, med stöd från den brittiska regeringen, publicerar redan nya proteinstrukturer och planerar tusentals fler. Även om AISB Network-studien fortfarande väntar på publicering i en peer-reviewad vetenskaplig tidskrift och modellen ännu inte är offentlig, visar resultaten tydligt potentialen i samarbete och informationsdelning för att fortsätta förbättra AI inom biomedicinsk forskning. Detta understryker en växande trend inom den vetenskapliga världen.))