THEPOWERGAME
![Πάρκινσον ©Pixabay](https://www.powergame.gr/wp-content/uploads/2024/04/xeria.jpg)
Οι ερευνητές χρησιμοποίησαν εφαρμογές τεχνητής νοημοσύνης για να επιταχύνουν μαζικά την αναζήτηση θεραπειών για τη νόσο του Πάρκινσον.
Οι ερευνητές, από το Πανεπιστήμιο του Cambridge, σχεδίασαν και χρησιμοποίησαν μια στρατηγική βασισμένη στην τεχνητή νοημοσύνη για να εντοπίσουν ενώσεις που εμποδίζουν τη συσσώρευση της άλφα-συνουκλεΐνης, της πρωτεΐνης που χαρακτηρίζει τη νόσο του Πάρκινσον.
Η ομάδα χρησιμοποίησε τεχνικές μηχανικής μάθησης για να εξετάσει γρήγορα μια χημική βιβλιοθήκη που περιέχει εκατομμύρια καταχωρήσεις και εντόπισε πέντε εξαιρετικά ισχυρές ενώσεις για περαιτέρω έρευνα.
Η νόσος του Πάρκινσον επηρεάζει περισσότερους από έξι εκατομμύρια ανθρώπους σε όλο τον κόσμο, με αυτόν τον αριθμό να αναμένεται να τριπλασιαστεί έως το 2040.
Δεν υπάρχουν, επί του παρόντος, διαθέσιμες θεραπείες για την τροποποίηση της νόσου. Η διαδικασία διαλογής μεγάλων χημικών βιβλιοθηκών για υποψήφια φάρμακα – η οποία πρέπει να συμβεί πολύ πριν δοκιμαστούν πιθανές θεραπείες σε ασθενείς – είναι εξαιρετικά χρονοβόρα, δαπανηρή και συχνά ανεπιτυχής.
Χρησιμοποιώντας μηχανική μάθηση, οι ερευνητές μπόρεσαν να επιταχύνουν την αρχική διαδικασία ελέγχου κατά δέκα φορές και να μειώσουν το κόστος κατά χιλιάδες φορές, πράγμα που θα μπορούσε να σημαίνει ότι οι πιθανές θεραπείες για τη νόσο του Πάρκινσον προσεγγίζουν τους ασθενείς πολύ πιο γρήγορα. Τα αποτελέσματα αναφέρονται στο περιοδικό Nature Chemical Biology.
Η νόσος του Πάρκινσον είναι η ταχύτερα αναπτυσσόμενη νευρολογική πάθηση παγκοσμίως. Στο Ηνωμένο Βασίλειο, ένας στους 37 ανθρώπους που ζουν σήμερα θα διαγνωστεί με Πάρκινσον στη διάρκεια της ζωής του.
Εκτός από τα κινητικά συμπτώματα, η νόσος του Πάρκινσον μπορεί επίσης να επηρεάσει το γαστρεντερικό σύστημα, το νευρικό σύστημα, τις συνήθειες ύπνου, τη διάθεση και τη γνωστική λειτουργία και μπορεί να συμβάλει σε μειωμένη ποιότητα ζωής και σημαντική αναπηρία.
Οι πρωτεΐνες είναι υπεύθυνες για σημαντικές κυτταρικές διεργασίες, αλλά όταν οι άνθρωποι πάσχουν από Πάρκινσον, αυτές οι πρωτεΐνες «παραβιάζουν» και προκαλούν τον θάνατο των νευρικών κυττάρων. Όταν οι πρωτεΐνες αναδιπλώνονται λανθασμένα, μπορούν να σχηματίσουν ανώμαλα σμήνη που ονομάζονται σώματα Lewy, τα οποία συσσωρεύονται μέσα στα εγκεφαλικά κύτταρα εμποδίζοντάς τα να λειτουργούν σωστά.
«Ο δρόμος για την αναζήτηση πιθανών θεραπειών για τη νόσο του Πάρκινσον απαιτεί τον εντοπισμό μικρών μορίων που μπορούν να αναστείλουν τη συσσώρευση της άλφα-συνουκλεΐνης, η οποία είναι μια πρωτεΐνη που συνδέεται στενά με τη νόσο», δήλωσε ο καθηγητής Michele Vendruscolo από το Τμήμα Χημείας Yusuf Hamied, που ηγήθηκε της έρευνας. «Αλλά αυτή είναι μια εξαιρετικά χρονοβόρα διαδικασία – ο εντοπισμός ενός κύριου υποψηφίου μορίου για περαιτέρω δοκιμές μπορεί να διαρκέσει μήνες ή και χρόνια».
Ενώ επί του παρόντος βρίσκονται σε εξέλιξη κλινικές δοκιμές για τη νόσο του Πάρκινσον, κανένα φάρμακο τροποποίησης της νόσου δεν έχει εγκριθεί, γεγονός που αντικατοπτρίζει την αδυναμία άμεσης στόχευσης των μοριακών ειδών που προκαλούν την ασθένεια.
Αυτό ήταν ένα σημαντικό εμπόδιο στην έρευνα του Πάρκινσον, λόγω της έλλειψης μεθόδων για τον εντοπισμό των σωστών μοριακών στόχων και την εμπλοκή με αυτούς. Αυτό το τεχνολογικό κενό έχει εμποδίσει σοβαρά την ανάπτυξη αποτελεσματικών θεραπειών.
Η ομάδα του Cambridge ανέπτυξε μια μέθοδο μηχανικής μάθησης στην οποία χημικές βιβλιοθήκες που περιέχουν εκατομμύρια ενώσεις ελέγχονται για να εντοπιστούν μικρά μόρια που συνδέονται με τα συσσωματώματα αμυλοειδούς και εμποδίζουν τον πολλαπλασιασμό τους.
Στη συνέχεια, ένας μικρός αριθμός ενώσεων κορυφαίας κατάταξης δοκιμάστηκε πειραματικά για να επιλεγούν οι πιο ισχυροί αναστολείς της συσσωμάτωσης.
Οι πληροφορίες που προέκυψαν από αυτές τις πειραματικές αναλύσεις επανατροφοδοτήθηκαν στο μοντέλο μηχανικής μάθησης με επαναληπτικό τρόπο, έτσι ώστε μετά από λίγες επαναλήψεις, εντοπίστηκαν πολύ ισχυρές ενώσεις.
«Αντί να κάνουμε πειραματικές εξετάσεις, κάνουμε υπολογιστικές εξετάσεις», υποστήριξε ο Dr. Vendruscolo. «Χρησιμοποιώντας τη γνώση που αποκτήσαμε από την αρχική διαλογή με το μοντέλο μηχανικής μάθησης, μπορέσαμε να εκπαιδεύσουμε το μοντέλο ώστε να αναγνωρίζει τις συγκεκριμένες περιοχές σε αυτά τα μικρά μόρια που είναι υπεύθυνα για τη δέσμευση, και μετά μπορούμε να επανεξετάσουμε και να βρούμε πιο ισχυρά μόρια».
Χρησιμοποιώντας αυτή τη μέθοδο, η ομάδα του Cambridge ανέπτυξε ενώσεις για τη στόχευση θυλάκων στις επιφάνειες των αδρανών, οι οποίες είναι υπεύθυνες για τον εκθετικό πολλαπλασιασμό των ίδιων των αδρανών. Αυτές οι ενώσεις είναι εκατοντάδες φορές πιο ισχυρές και πολύ φθηνότερες στην ανάπτυξη, από αυτές που αναφέρθηκαν προηγουμένως.
«Η μηχανική μάθηση έχει πραγματικό αντίκτυπο στη διαδικασία ανακάλυψης φαρμάκων. Επιταχύνει την όλη διαδικασία εντοπισμού των πιο υποσχόμενων υποψηφίων», δήλωσε ο Dr. Vendruscolo. «Για εμάς αυτό σημαίνει ότι μπορούμε να αρχίσουμε να εργαζόμαστε σε πολλαπλά προγράμματα ανακάλυψης φαρμάκων αντί για ένα».