Με τη βοήθεια της Τεχνητής Νοημοσύνης, οι ερευνητές από το Κέντρο Γονιδιώματος της Κλινικής του Κλίβελαντ και την IBM προσπαθούν να ανακαλύψουν νέα φάρμακα για τη διαχείριση του χρόνιου πόνου. Το σύστημα βαθιάς μάθησης εντόπισε πολλαπλούς μεταβολίτες που προέρχονται από το μικροβίωμα του εντέρου, καθώς και φάρμακα τα οποία έχει εγκρίνει η Υπηρεσία Τροφίμων και Φαρμάκων (FDA) των ΗΠΑ, τα οποία μπορούν να επαναχρησιμοποιηθούν για την ανάπτυξη μη εθιστικών, μη οπιοειδών επιλογών για τη θεραπεία του χρόνιου πόνου.
Σημειώνεται ότι η θεραπεία του χρόνιου πόνου με οπιοειδή εξακολουθεί να αποτελεί πρόβλημα λόγω του κινδύνου σοβαρών παρενεργειών και εξάρτησης. Σύμφωνα με νέες μελέτες, η χορήγηση φαρμάκων σε ένα συγκεκριμένο υποσύνολο υποδοχέων πόνου, σε μια κατηγορία πρωτεϊνών που ονομάζονται υποδοχείς συζευγμένοι με πρωτεΐνη G (GPCRs) μπορεί να προσφέρει ανακούφιση από τον χρόνιο πόνο. Το ερώτημα σύμφωνα με τους ερευνητές είναι πώς να στοχεύσουμε αυτούς τους υποδοχείς.
Αντί να εφεύρει νέα μόρια, η ομάδα αναρωτήθηκε αν θα μπορούσε να εφαρμόσει ερευνητικές μεθόδους που είχε ήδη αναπτύξει για την εύρεση προϋπαρχόντων φαρμάκων εγκεκριμένων από την FDA για τον πόνο. Μέρος αυτής της διαδικασίας περιλαμβάνει τη χαρτογράφηση των μεταβολιτών του εντέρου για τον εντοπισμό στόχων φαρμάκων. Οι ερευνητές ενημέρωσαν έναν αλγόριθμο τεχνητής νοημοσύνης που εντοπίζει φαρμακα που είχαν αναπτύξει, ενώ επιστήμονες της IBM βοήθησαν στη συγγραφή και την επεξεργασία του αλγορίθμου.
«Οι συνεργάτες μας στην IBM μας έδωσαν πολύτιμες συμβουλές για την ανάπτυξη προηγμένων υπολογιστικών τεχνικών» δήλωσαν οι ερευνητές.
Για να προσδιορίσουν εάν ένα μόριο είναι αποτελεσματικό ως φάρμακο, οι ερευνητές πρέπει να προβλέψουν πώς θα αλληλεπιδράσει και πώς θα επηρεάσει τις πρωτεΐνες του σώματος. Για να το κάνουν αυτό, χρειάζονται μια τρισδιάστατη εικόνα και των δύο μορίων η οποία βασίζεται σε εκτεταμένα 2D δεδομένα σχετικά με τις φυσικές, δομικές και χημικές τους ιδιότητες.
«Ακόμη και με τη βοήθεια των τρεχουσών υπολογιστικών μεθόδων, ο όγκος των δεδομένων που χρειαζόμαστε για τις προγνωστικές μας αναλύσεις είναι εξαιρετικά περίπλοκος και χρονοβόρος», εξήγησαν οι ερευνητές. «Η τεχνητή νοημοσύνη μπορεί να χρησιμοποιήσει πλήρως τα δεδομένα τόσο των ενώσεων όσο και των πρωτεϊνών, από απεικονιστικά, εξελικτικά και χημικά πειράματα, για να προβλέψει ποια ένωση έχει τις καλύτερες πιθανότητες να επηρεάσει τους υποδοχείς πόνου με τον σωστό τρόπο» εξήγησαν οι ερευνητές.
Το εργαλείο της ερευνητικής ομάδας, που ονομάζεται LISA-CPI χρησιμοποιεί μια μορφή τεχνητής νοημοσύνης που ονομάζεται βαθιά μάθηση για να προβλέψει εάν ένα μόριο μπορεί να συνδεθεί με έναν συγκεκριμένο υποδοχέα πόνου, πού θα προσκολληθεί φυσικά, πόσο ισχυρά θα προσκολληθεί και εάν η προσκόλληση του μορίου θα ενεργοποιήσει ή θα απενεργοποιήσει τα σήματα.
Η ομάδα χρησιμοποίησε το LISA-CPI για να προβλέψει πώς 369 μικροβιακοί μεταβολίτες του εντέρου και 2.308 εγκεκριμένα από τον FDA φάρμακα θα αλληλεπιδράσουν με 13 υποδοχείς που σχετίζονται με τον πόνο. Το σύστημα εντόπισε αρκετές ενώσεις που θα μπορούσαν να επαναχρησιμοποιηθούν για τη θεραπεία του χρόνιου πόνου. Σε εξέλιξη βρίσκονται μελέτες για την επικύρωση αυτών των ενώσεων στο εργαστήριο.
«Οι προβλέψεις του αλγόριθμου μπορούν να μειώσουν τον αριθμό των πειραμάτων που πρέπει να διεξάγουν οι ερευνητές για να καταλήξουν σε μια λίστα υποψήφιων φαρμάκων για περαιτέρω δοκιμή. Μπορούμε να χρησιμοποιήσουμε αυτό το εργαλείο για να δοκιμάσουμε ακόμη περισσότερα φάρμακα, μεταβολίτες, GPCR και άλλους υποδοχείς ώστε να αναπτύξουμε θεραπείες που θεραπεύουν ασθένειες πέρα από τον πόνο, όπως η νόσος του Αλτσχάιμερ» πρόσθεσαν οι συγγραφείς της μελέτης.
Τα ευρήματα της μελέτης δημοσιεύθηκαν στο περιοδικό «Cell Press».
