AI-samarbete snabbar på utveckling av nya läkemedel
Forskare i Spanien och globalt tar stora steg framåt inom läkemedelsutveckling. Ett unikt samarbete mellan läkemedelsföretag och AI-experter visar att delning av data kan förbättra AI-modeller för att upptäcka nya mediciner.
Forskning och utveckling inom läkemedelsindustrin tar ett betydande kliv framåt tack vare ett innovativt samarbete. Genom att kombinera expertis från läkemedelsföretag och artificiell intelligens (AI) har forskare lyckats påskynda processen för att hitta nya läkemedel. Resultaten har presenterats i den ansedda tidskriften Nature, vilket understryker projektets vetenskapliga relevans.
Ett konsortium av läkemedelsbolag har samlat in och delat tusentals proteinstrukturer. Dessa data, som genererats under intensiv läkemedelsforskning, har visat sig markant förbättra AI-modellers förmåga att förutsäga hur proteiner interagerar med andra molekyler. Detta är avgörande för att förstå hur potentiella läkemedel verkar i kroppen.
Totalt har 20 167 proteinstrukturer från fem olika läkemedelsföretag använts för att förfina en AI-modell baserad på OpenFold3, en öppen källkodsversion av AlphaFold 3. Denna modell kunde därmed göra betydligt mer exakta förutsägelser jämfört med liknande modeller som endast tränats med offentligt tillgänglig information.
Initiativet kommer från AI Structural Biology (AISB) Network, en samarbetsplattform som involverar flera ledande läkemedelsföretag, däribland AbbVie och Astex Pharmaceuticals. Grundtanken är att industrins egna forskningsdata kan komplettera de stora offentliga databaser som redan finns, och på så sätt ytterligare förbättra AI:s kapacitet inom läkemedelsutveckling.
Proteinstrukturer är fundamentala för att förstå hur dessa molekyler fungerar och hur de kan interagera med läkemedelskandidater. Många av dessa strukturer, som bestäms genom metoder som röntgenkristallografi och kryoelektronmikroskopi, är kopplade till specifika läkemedelsprogram och finns inte i offentliga databaser. Att göra dessa tillgängliga för AI-träning har öppnat nya möjligheter för forskarna.
Även om Protein Data Bank (PDB) är en central öppen databas med över 200 000 experimentellt bestämda proteinstrukturer, har den nya metoden visat hur proprietär data kan accelerera framstegen. AISB Network använde OpenFold3, som tidigare tränats med PDB-data, och förbättrade den genom att inkludera de 20 167 ytterligare strukturerna. Dessa representerade proteiner bundna till potentiella läkemedel eller ligander.
Datadeldningen skedde på ett sätt som skyddade företagens interna information. För att utvärdera modellens prestanda hölls 1 056 proteinstrukturer undan från träningsdata. Den utvecklade AI-modellen uppnådde en hög precision i över hälften av dessa fall, vilket var avsevärt bättre än den offentliga versionen av OpenFold3 och andra jämförbara modeller.
Det mest anmärkningsvärda är att den kombinerade modellen, tränad med data från flera företag, presterade bättre än modeller som enbart tränats med ett enskilt företags data. Detta understryker värdet av samarbete och datadelning för att bygga mer robusta och effektiva AI-verktyg. En förbättrad förmåga att förutsäga proteinbeteende och interaktioner ger forskare nya verktyg för att studera potentiella behandlingar och påskynda upptäckten av nya läkemedel. Spanien, liksom resten av världen, kan se fram emot de positiva effekterna av denna utveckling inom medicinsk forskning.
