Gyógyszerfejlesztést segítő számítógépes modell

A Cell Reports Physical Science folyóiratban április 29-én-én jelent meg a Perelman School of Medicine (University of Pennsylvania) kutatóinak cikke, amelyben mesterséges intelligencia alapú algoritmusokat kombinálták hagyományos laboratóriumi módszerekkel annak érdekében, hogy ígéretes gyógyszereket fedezzenek fel a humán enterovírus 71-es típusa (EV71) ellen, amely agyhártya-, és agyvelőgyulladást, valamint kéz-láb-száj betegséget okoz.

Egy 36 kismolekulás hatóanyagból álló kezdeti panel segítségével a kutatók egy gépi tanulási modellt képeztek ki arra, hogy kiszúrjon olyan jellemzőket, amelyek segíthetnek megállítani a vírusokat, és a modell pontozta az egyes vegyületek valószínűségét az EV71 blokkolásában. A szerzők az AI által kiválasztott szűkített listát laboratóriumban is letesztelték: a modell által valószínűsített nyolc vegyületből öt sikeresen lassította a vírust a sejtes kísérletekben - ez körülbelül tízszer több találatot jelent, mint amennyit a hagyományos szűrési módszerek általában adnak.

“A korábban hónapokig tartó próbálgatásos módszer időigényét mindössze néhány napra csökkentettük" - nyilatkozta Cesar de la Fuente-Nunez, a cikk első szerzője. “Ez a megközelítés különösen akkor hatékony, ha az idő, a pénzügyi korlátok vagy más megszorítás korlátozza az előzetesen generálható adatok mennyiségét.”

Az EV71-fertőzés az enyhe kiütéstől és láztól egészen a súlyos neurológiai szövődményekig terjedhet, különösen a hét év alatti gyermekek és az immunhiányos felnőttek esetében. Az FDA által jóváhagyott vírusellenes szerek jelenleg nem hatékonyak a vírus ellen.

A kutatók mind az öt megerősített eredményt számítógépes szimulációkkal tesztelték, amelyek azt mutatták meg, hogy a vizsgált hatóanyagok képesek megtapadni a vírus bizonyos pontjain. Ez a modellezési folyamat segíthet a jövőben a kutatóknak abban, hogy gyorsan képesek legyenek kifejleszteni egy adott vírus elleni készítményt, amely például megakadályozhatja a vírus emberi sejtekbe történő behatolását.

“Nagyon úgy tűnik, hogy ez egy jó sablon a gyors vírusellenes gyógyszerfejlesztés számára” - tette hozzá Angela Cesaro, a tanulmány társszerzője. “Legyen szó akár egy újabb enterovírusról, akár egy újonnan megjelenő légúti kórokozóról, akár egy újra felbukkanó vírusról, mint amilyen a gyermekbénulás, a mesterséges intelligencia által vezérelt módszerünk azt mutatja, hogy a gépi tanulás még korlátozott adatok esetén is felgyorsíthatja a hatékony megoldások kifejlesztését, és gyors választ adhat a jövőbeli járványokra."

Írásunk az alábbi közlemények alapján készült:

AI technique can uncover antiviral compounds using limited data

Antiviral discovery using sparse datasets by integrating experiments, molecular simulations, and machine learning

Irodalmi hivatkozás:

Angela Cesaro et al, Antiviral discovery using sparse datasets by integrating experiments, molecular simulations, and machine learning, Cell Reports Physical Science (2025). DOI: 10.1016/j.xcrp.2025.102554