机器学习可以帮助寻找COVID-19疗法

密歇根州立大学教授基础必要魏不准备机器学习技术为全球健康危机。不过,当一个爆发,他和他的团队已准备好帮助。

该组织已经有了一个机器学习模型在大流行,预测后果SARS-CoV-2突变。现在,魏的团队已经部署了另一个帮助药物开发者对他们最有前途的领导攻击病毒的最引人注目的目标之一。研究人员分享他们的英特尔10月21日在同行评议的杂志上化学科学。

魏大流行之前,和他的团队已经开发计算机models-specifically机器学习,使用所谓的模型深度学习——帮助拯救药物开发人员的时间和金钱。研究人员“训练”他们的深度学习模型与数据集满信息想与治疗目标的蛋白质药物开发。模型可以预测未知的数量感兴趣的帮助指导药物设计和测试。

在过去的三年里,斯巴达人的模型已经在全球竞争中表现最好的系列计算机辅助药物设计称为药物设计数据资源,或D3R大挑战。然后COVID-19来了。

“我们知道这是不好的。中国与1000万人,关闭整个城市“魏说,他是一个教授数学和电气和计算机工程的部门。“我们有技术,我们知道这是非常重要的。”

魏和他的团队已经转化他们的深度学习模式、专注于一个特定的SARS-CoV-2叫做它的主要的蛋白质蛋白酶。主要蛋白酶是一个齿轮在冠状病毒的蛋白质的机械的病原体复制本身的关键。禁用的药物,齿轮可能因此阻止病毒复制。

的主要蛋白酶使什么更有吸引力的目标是有别于所有已知的人类的蛋白酶,这并非总是如此。药物攻击病毒蛋白酶因此不太可能扰乱人们的自然生物化学。

SARS-CoV-2主要蛋白酶的另一个优点是它是几乎相同的冠状病毒负责2003年非典爆发。这意味着药物开发者和魏的团队没有完全从头开始。他们的结构信息的主要蛋白酶和化合物称为蛋白酶抑制剂干扰蛋白质的功能。

不过,差距仍在理解这些蛋白酶抑制剂的病毒蛋白以及紧密。这就是斯巴达人的深度学习模型。

魏的团队利用其模型预测这些细节了100蛋白酶抑制剂。这些数据也让球队排名这些抑制剂和突出最有前途的,这可能非常有价值的信息对实验室和企业开发新药物,魏说。

“在早期药物发现运动,你可能会有1000名候选人,“魏说。通常,所有这些候选人将在动物临床前测试,然后也许最有前途的10左右可以安全地推进人类临床试验,小薇解释道。

通过关注药物最吸引蛋白酶最脆弱的地方,药物开发人员可以削减的1000从一开始,省钱和几个月,甚至几年,魏说。

“这是一个有助于解决问题的办法药物开发者优先考虑。他们不必浪费资源来检查每一个候选人,”他说。

但魏也提醒。团队的模型没有取代需要实验验证,临床前或临床试验。药物开发者仍然需要证明他们的产品是安全的为病人提供他们之前,这可能需要许多年。

出于这个原因,魏说,类似自然免疫系统产生的抗体治疗抗冠状病毒将最有可能第一个治疗流感大流行期间批准。然而,这些抗体针对病毒的蛋白质,而不是它的主要蛋白酶。发展中蛋白酶抑制剂将提供一个欢迎添加一个阿森纳战胜致命的和不断发展的敌人。

“如果开发商想设计一套新的药物,基本上我们已经证明他们需要做什么,”魏说。

---

---