ENGINEERINGNET.BE - In de afgelopen jaren zorgde AI voor grote veranderingen binnen het medicijnonderzoek.
“Bij de start van een project is er keuze uit zo’n 10 tot de macht 60 verschillende moleculen. Dat is enorm veel”, aldus onderzoeker Rıza Özçelik van TU Eindhoven.
“Dankzij wiskundige modellen, en met name de technologische ontwikkelingen binnen deep learning, kunnen we veel efficiënter chemische eigenschappen voorspellen en nieuwe moleculen genereren.”
“Elk molecuul kun je met taal omschrijven door terug te gaan naar de losse bouwstenen. Een molecuul is in feite niets meer dan een ‘string’ van bouwstenen. Een eiwit in je lichaam kun je omzetten naar een aminozuurvolgorde in letters, een klein medicinaal molecuul kan een reeks atomen worden.”
Tijdens zijn promotieproject ontwikkelde Özçelik vijf deep learning-modellen, die nu wereldwijd door andere onderzoekers gebruikt kunnen worden.
“Elk model heeft weer een andere toepassing. We zijn begonnen met het opstellen van praktische richtlijnen om het voorspellen van chemische eigenschappen te verbeteren, en hebben algemene tools gebouwd die daarbij ondersteunen.”
Samen met onderzoekers van de vakgroep Chemical Biology van TU Eindhoven en Italiaanse samenwerkingspartners dook hij vervolgens in enkele casestudy’s om het chemische zoekwerk efficiënter te maken.
“We hebben een model gemaakt dat met hoge nauwkeurigheid kan aangeven op welke plekken in een klinisch belangrijke eiwitfamilie zich bindingsplaatsen bevinden, belangrijk voor de moleculaire interactie.”
Voor het optimaliseren van wat het lichaam doet met een geneesmiddel, zoals het verbeteren van de opname, kwam Özçelik met een voorspelmodel voor geschikte bindingspartners.
“Voor de onderzoekers in het lab betekende dat een veel efficiëntere pipeline, omdat ze alleen een beperkte subset van moleculen hoefden te testen.”
Het meest enthousiast is hij over een hele nieuwe aanpak om deep learning in de zoektocht naar nieuwe medicijnen te gebruiken.
“We zijn het model op een tegenovergestelde manier gaan voeden met data. Er worden namelijk veel meer ‘mislukte’ dan succesvolle moleculen gevonden, en is er dus een overvloed aan ‘negatieve’ data. Testen in het lab laten zien dat we een zeer accuraat model ontwikkeld hebben, waarin uit negatieve data een positief molecuul naar voren kan komen.”
