Ученые из Университета Торонто успешно протестировали использование моделей машинного обучения для разработки рецептур инъекционных препаратов длительного действия. Потенциал алгоритмов машинного обучения для ускорения разработки лекарственных препаратов может сократить время и затраты, связанные с разработкой лекарств, что сделает новые перспективные лекарства доступными быстрее.

Исследование опубликовано сегодня в журнале Nature Communications и является одним из первых, применяющих методы машинного обучения для разработки полимерных инъекционных лекарственных составов длительного действия.

Междисциплинарное исследование возглавляют Кристин Аллен с кафедры фармацевтических наук Университета Торонто и Алан Аспуру-Гузик с кафедр химии и информатики. Оба исследователя также являются членами Acceleration Consortium - глобальной инициативы, которая использует искусственный интеллект и автоматизацию для ускорения открытия материалов и молекул, необходимых для устойчивого будущего.

"Это исследование делает важный шаг на пути к разработке рецептур лекарств на основе данных с акцентом на инъекционные препараты длительного действия", - сказала Кристин Аллен, профессор фармацевтических наук на фармацевтическом факультете Лесли Дэн Университета Торонто. "Мы видели, как машинное обучение позволило совершить невероятный скачок в открытии новых молекул, которые потенциально могут стать лекарствами. Сейчас мы работаем над тем, чтобы применить те же методы для разработки лучших лекарственных формул и, в конечном итоге, лучших лекарств".

Считающиеся одной из наиболее перспективных терапевтических стратегий для лечения хронических заболеваний, инъекционные препараты длительного действия (ИПДД) представляют собой класс передовых систем доставки лекарств, которые предназначены для высвобождения своего груза в течение длительного периода времени для достижения пролонгированного терапевтического эффекта. Такой подход может помочь пациентам лучше соблюдать режим приема лекарств, снизить побочные эффекты и повысить эффективность при введении препарата вблизи места действия в организме. Однако достижение оптимального количества высвобождаемого лекарства в течение желаемого периода времени требует разработки и определения характеристик широкого спектра кандидатов в формулы путем проведения обширных и трудоемких экспериментов. Этот метод проб и ошибок создал значительное узкое место в разработке LAI по сравнению с более традиционными типами лекарственных формул.

"ИИ меняет то, как мы занимаемся наукой. Он помогает ускорить открытие и оптимизацию. Это прекрасный пример момента "до ИИ" и "после ИИ" и показывает, как многодисциплинарные исследования могут повлиять на доставку лекарств", - сказал Алан Аспуру-Гузик, профессор химии и информатики Университета Торонто, который также занимает кафедру CIFAR по исследованию искусственного интеллекта в Институте Вектора в Торонто.

Чтобы выяснить, могут ли инструменты машинного обучения точно предсказать скорость высвобождения лекарств, исследовательская группа обучила и оценила серию из одиннадцати различных моделей, включая множественную линейную регрессию (MLR), случайный лес (RF), легкую градиентную повышающую машину (lightGBM) и нейронные сети (NN). Набор данных, использованный для обучения выбранной группы моделей машинного обучения, был собран из ранее опубликованных исследований авторов и других исследовательских групп.

"Получив набор данных, мы разделили его на два подмножества: одно использовалось для обучения моделей, а другое - для тестирования. Затем мы попросили модели предсказать результаты тестового набора и напрямую сравнили с предыдущими экспериментальными данными. Мы обнаружили, что модели на основе деревьев, и в частности lightGBM, дали наиболее точные прогнозы", - сказал Паурик Банниган, научный сотрудник исследовательской группы Аллена на фармацевтическом факультете Лесли Дэн Университета Торонто.

В качестве следующего шага команда работала над применением этих предсказаний и иллюстрацией того, как модели машинного обучения могут быть использованы для обоснования дизайна новых LAI. Команда использовала передовые аналитические методы для извлечения критериев дизайна из модели lightGBM. Это позволило разработать новую формулу LAI для препарата, который в настоящее время используется для лечения рака яичников. "Как только у вас есть обученная модель, вы можете интерпретировать то, чему научилась машина, и использовать это для разработки критериев проектирования новых систем", - говорит Банниган. После приготовления препарата была протестирована скорость высвобождения лекарства, что подтвердило прогнозы, сделанные моделью lightGBM. "Конечно, состав обладал скоростью медленного высвобождения, которую мы искали. Это было важно, потому что в прошлом нам могло потребоваться несколько итераций, чтобы получить подобный профиль высвобождения, а с помощью машинного обучения мы добились этого за одну", - сказал он.

Результаты текущего исследования обнадеживают и свидетельствуют о потенциале машинного обучения для снижения зависимости от испытаний методом проб и ошибок, замедляя темпы разработки инъекционных препаратов длительного действия. Однако авторы исследования отмечают, что отсутствие доступных наборов данных с открытым исходным кодом в фармацевтических науках представляет собой серьезную проблему для будущего прогресса. "Когда мы начали этот проект, мы были удивлены отсутствием данных, представленных в многочисленных исследованиях с использованием полимерных микрочастиц", - говорит Аллен. "Это означало, что исследования и работа, которая в них проводилась, не могли быть использованы для разработки моделей машинного обучения, необходимых нам для ускорения прогресса в этой области", - сказал Аллен. "Существует реальная необходимость в создании надежных баз данных в области фармацевтических наук, которые находятся в открытом доступе и доступны для всех, чтобы мы могли работать вместе для развития этой области", - сказала она.

Чтобы способствовать продвижению к созданию доступных баз данных, необходимых для более широкой интеграции машинного обучения в фармацевтические науки, Аллен и исследовательская группа разместили свои наборы данных и код на платформе с открытым исходным кодом Zenodo.

"В этом исследовании нашей целью было снизить барьер входа для применения машинного обучения в фармацевтических науках", - сказал Банниган. "Мы сделали наши наборы данных полностью доступными, чтобы другие могли, как мы надеемся, развивать эту работу. Мы хотим, чтобы это стало началом, а не концом истории машинного обучения в разработке лекарственных препаратов".