新しい研究は、の可能性を示しています機械学習革新的な薬物送達技術の開発を加速する。
の科学者トロント大学機械学習モデルの使用を正常にテストして、長時間作用型の注射可能な薬物製剤の設計を導きました。機械学習アルゴリズムが薬物製剤を加速する可能性は、医薬品開発に関連する時間とコストを削減し、有望な新しい薬をより速く利用できるようにすることができます。
この研究は、ジャーナルで本日（2023年1月10日）に公開されます自然コミュニケーションまた、ポリマーの長時間作用型注射可能な薬物製剤の設計に機械学習技術を適用した最初の1つです。
学際的な研究は、トロント大学医薬品科学部のクリスティーン・アレンと、化学およびコンピューターサイエンス学科のアラーン・アスプル・グジクが主導しています。両方の研究者は、Acceleration Consortiumのメンバーでもあります。これは、使用するグローバルイニシアチブです。人工知能持続可能な未来に必要な材料と分子の発見を加速するための自動化。
トロント大学レスリー・ダン・ダンの薬局の医薬品科学の教授であるクリスティーン・アレンは、次のように述べています。 「機械学習が、薬になる可能性のある新しい分子の発見において、信じられないほどの跳躍の進歩をどのように可能にしたかを見てきました。現在、私たちは同じ技術を適用して、より良い薬物製剤、そして最終的にはより良い薬を設計するのに役立つように取り組んでいます。」
長時間作用する注射剤（LAI）の可能性
慢性疾患の治療のための最も有望な治療戦略の1つと考えられると考えられています。長時間作用型注射剤（LAI）は、長期にわたって貨物を放出して長期にわたる治療効果を達成するように設計された高度な薬物送達システムのクラスです。このアプローチは、患者が薬剤レジメンをよりよく遵守し、副作用を減らし、体内の作用部位の近くに注入すると有効性を高めるのに役立ちます。ただし、希望する期間にわたって最適な量の薬物放出を達成するには、広範囲で時間のかかる実験を通じて、幅広い製剤候補の開発と特性評価が必要です。この試行錯誤のアプローチは、より従来の種類の薬物製剤と比較して、LAI開発に大きなボトルネックを作成しました。
「AIは私たちの科学の方法を変えています。発見と最適化を促進するのに役立ちます。これは、AIの前に「AIの前」と「AI」の瞬間の完璧な例であり、この学際的な研究によって薬物送達がどのように影響を受けるかを示しています」
機械学習ツールが薬物放出速度を正確に予測できるかどうかを調査するために、研究チームは、多重線形回帰（MLR）、ランダムフォレスト（RF）、光勾配ブースト機（LightGBM）、ニューラルネットワーク（NN）を含む一連の11種類のモデルを訓練および評価しました。機械学習モデルの選択されたパネルをトレーニングするために使用されるデータセットは、著者や他の研究グループによって以前に公開された研究から構築されました。
「データセットを取得したら、2つのサブセットに分割します。1つはモデルのトレーニングに使用され、1つはテストに使用されます。テストセットの結果を予測するように依頼し、以前の実験データと直接比較しました。樹木ベースのモデル、特にLightGBMが最も正確な予測を提供しました。
AI予測を使用した新薬製剤の設計
次のステップとして、チームはこれらの予測を適用し、機械学習モデルを使用して新しいLAIの設計を通知する方法を説明するために取り組みました。チームは、LightGBMモデルから設計基準を抽出するために高度な分析手法を使用しました。これにより、卵巣癌の治療に現在使用されている薬物の新しいLAI製剤の設計が可能になりました。 「訓練されたモデルを取得したら、マシンが学んだことを解釈し、それを使用して新しいシステムの設計基準を開発することができます」とBannigan氏は述べています。準備したら、薬物放出率をテストし、LightGBMモデルによって行われた予測をさらに検証しました。 「確かに、定式化は私たちが探していた遅いリリース率を持っていました。これは、過去に私たちがこのように見えるリリースプロファイルに到達するためにいくつかの反復をとったかもしれないので、これは重要でした。
現在の研究の結果は、長時間作用型の注射剤の開発のペースを遅らせる試行錯誤検査への依存を減らすための機械学習の可能性を奨励し、合図しています。しかし、研究の著者は、医薬品科学で利用可能なオープンソースデータセットの欠如が将来の進歩に対する重要な課題であることを特定しています。 「このプロジェクトを開始したとき、ポリマー微粒子を使用して多数の研究で報告されているデータが不足していることに驚きました」とアレンは言いました。 「これは、研究とそれらに入った仕事を活用することができなかったことを意味し、この空間で進歩を推進するために必要な機械学習モデルを開発することができませんでした」とアレンは言いました。 「医薬品科学に堅牢なデータベースを作成する必要があります。これは、オープンアクセスであり、すべての人が利用できるように、協力してフィールドを前進させることができます」と彼女は言いました。
機械学習の医薬品科学への統合をより広くサポートするために必要なアクセス可能なデータベースへの動きを促進するために、アレンと研究チームは彼らを彼らに与えましたデータセットそしてコードオープンソースプラットフォームZenodoで利用できます。
「この研究では、私たちの目標は、医薬品科学に機械学習を適用するための入場障壁を下げることでした」とバニガンは言いました。 「私たちはデータセットを完全に利用できるようにしたので、他の人がこの作業に基づいて構築できることを願っています。これが薬物製剤における機械学習のストーリーの終わりではなく、何かの始まりになりたいです。」
参照：「ポリマーの長時間作用型注射剤の設計を加速する機械学習モデル」Pauric Bannigan、Zeqing Bao、Riley J. Hickman、Matteo Aldeghi、FlorianHäse、AlánAspuru-Guzik、Christine Allen、2023年1月10日、自然コミュニケーション。
doi：10.1038/s41467-022-35343-w
ブレークスルーを見逃さないでください：