Wissenschaftler der University of Toronto haben erfolgreich die Verwendung von Modellen des maschinellen Lernens getestet, um das Design von langwirksamen injizierbaren Arzneimittelformulierungen zu steuern. Das Potenzial von maschinellen Lernalgorithmen zur Beschleunigung der Arzneimittelformulierung könnte den Zeit- und Kostenaufwand für die Arzneimittelentwicklung reduzieren und vielversprechende neue Arzneimittel schneller verfügbar machen.
Die Studie wurde heute in veröffentlicht Naturkommunikation und ist eines der ersten Unternehmen, das Techniken des maschinellen Lernens auf das Design von polymeren langwirksamen injizierbaren Arzneimittelformulierungen anwendet.
Die multidisziplinäre Forschung wird von Christine Allen vom Fachbereich Pharmazeutische Wissenschaften der Universität Toronto und Alán Aspuru-Guzik von den Fachbereichen Chemie und Informatik geleitet. Beide Forscher sind auch Mitglieder des Acceleration Consortium, einer globalen Initiative, die künstliche Intelligenz und Automatisierung nutzt, um die Entdeckung von Materialien und Molekülen zu beschleunigen, die für eine nachhaltige Zukunft benötigt werden.
„Diese Studie macht einen entscheidenden Schritt in Richtung einer datengesteuerten Entwicklung von Arzneimittelformulierungen mit Schwerpunkt auf langwirksamen Injektionen“, sagte Christine Allen, Professorin für pharmazeutische Wissenschaften an der Leslie Dan Faculty of Pharmacy, University of Toronto. „Wir haben gesehen, wie maschinelles Lernen unglaubliche Fortschritte bei der Entdeckung neuer Moleküle ermöglicht hat, die das Potenzial haben, Medikamente zu werden. Wir arbeiten jetzt daran, dieselben Techniken anzuwenden, um uns bei der Entwicklung besserer und letztendlich besserer Arzneimittelformulierungen zu helfen Medikamente.“
Long-acting injectables (LAI) gelten als eine der vielversprechendsten therapeutischen Strategien zur Behandlung chronischer Krankheiten und sind eine Klasse fortschrittlicher Arzneimittelabgabesysteme, die darauf ausgelegt sind, ihre Fracht über längere Zeiträume freizusetzen, um eine verlängerte therapeutische Wirkung zu erzielen. Dieser Ansatz kann Patienten helfen, sich besser an ihre Medikation zu halten, Nebenwirkungen zu reduzieren und die Wirksamkeit zu erhöhen, wenn sie nahe am Wirkort im Körper injiziert werden. Das Erreichen der optimalen Menge an Wirkstofffreisetzung über den gewünschten Zeitraum erfordert jedoch die Entwicklung und Charakterisierung eines breiten Spektrums von Formulierungskandidaten durch umfangreiche und zeitaufwändige Experimente. Dieser Trial-and-Error-Ansatz hat im Vergleich zu konventionelleren Arten der Arzneimittelformulierung zu einem erheblichen Engpass in der LAI-Entwicklung geführt.
„KI verändert die Art und Weise, wie wir Wissenschaft betreiben. Sie trägt dazu bei, die Entdeckung und Optimierung zu beschleunigen. Dies ist ein perfektes Beispiel für einen „Vor-KI“- und einen „Nach-KI“-Moment und zeigt, wie die Arzneimittelabgabe durch diese multidisziplinäre Forschung beeinflusst werden kann“, sagte er Alán Aspuru-Guzik, Professor für Chemie und Informatik, University of Toronto, der auch den CIFAR Artificial Intelligence Research Chair am Vector Institute in Toronto innehat.
Um zu untersuchen, ob Tools für maschinelles Lernen die Rate der Arzneimittelfreisetzung genau vorhersagen können, trainierte und bewertete das Forschungsteam eine Reihe von elf verschiedenen Modellen, darunter multiple lineare Regression (MLR), Random Forest (RF), Light Gradient Boosting Machine (lightGBM), und neuronale Netze (NN). Der Datensatz, der zum Trainieren des ausgewählten Panels von Modellen für maschinelles Lernen verwendet wird, wurde aus zuvor veröffentlichten Studien der Autoren und anderer Forschungsgruppen erstellt.
„Sobald wir den Datensatz hatten, teilten wir ihn in zwei Teilsätze auf: einen zum Trainieren der Modelle und einen zum Testen. Dann baten wir die Modelle, die Ergebnisse des Testsatzes vorherzusagen, und verglichen sie direkt mit früheren experimentellen Daten. Das haben wir gefunden Die baumbasierten Modelle und insbesondere LightGBM lieferten die genauesten Vorhersagen“, sagte Pauric Bannigan, wissenschaftlicher Mitarbeiter der Allen-Forschungsgruppe an der Leslie Dan Faculty of Pharmacy, University of Toronto.
Als nächsten Schritt arbeitete das Team daran, diese Vorhersagen anzuwenden und zu veranschaulichen, wie Modelle des maschinellen Lernens verwendet werden könnten, um das Design neuer LAIs zu informieren. Das Team verwendete fortschrittliche Analysetechniken, um Designkriterien aus dem LightGBM-Modell zu extrahieren. Dies ermöglichte die Entwicklung einer neuen LAI-Formulierung für ein Medikament, das derzeit zur Behandlung von Eierstockkrebs eingesetzt wird. „Sobald Sie ein trainiertes Modell haben, können Sie daran arbeiten, das zu interpretieren, was die Maschine gelernt hat, und es verwenden, um Entwurfskriterien für neue Systeme zu entwickeln“, sagte Bannigan. Nach der Vorbereitung wurde die Arzneimittelfreisetzungsrate getestet und die Vorhersagen des lightGBM-Modells weiter validiert. „Sicher genug, die Formulierung hatte die langsame Freisetzungsrate, nach der wir gesucht hatten. Dies war von Bedeutung, da wir in der Vergangenheit möglicherweise mehrere Iterationen gebraucht haben, um zu einem Freisetzungsprofil zu gelangen, das so aussah, mit maschinellem Lernen, das wir dort erreichten eins“, sagte er.
Die Ergebnisse der aktuellen Studie sind ermutigend und signalisieren das Potenzial des maschinellen Lernens, die Abhängigkeit von Trial-and-Error-Tests zu verringern, was das Entwicklungstempo für lang wirkende Injektionsmittel verlangsamt. Die Autoren der Studie stellen jedoch fest, dass der Mangel an verfügbaren Open-Source-Datensätzen in den pharmazeutischen Wissenschaften eine erhebliche Herausforderung für den zukünftigen Fortschritt darstellt. „Als wir mit diesem Projekt begannen, waren wir überrascht über den Mangel an Daten, die in zahlreichen Studien mit polymeren Mikropartikeln gemeldet wurden“, sagte Allen. „Dies bedeutete, dass die Studien und die Arbeit, die in sie geflossen ist, nicht genutzt werden konnten, um die Modelle für maschinelles Lernen zu entwickeln, die wir brauchen, um Fortschritte in diesem Bereich voranzutreiben“, sagte Allen. „Es besteht ein echter Bedarf, robuste Datenbanken in den pharmazeutischen Wissenschaften zu erstellen, die offen zugänglich und für alle verfügbar sind, damit wir zusammenarbeiten können, um das Gebiet voranzubringen“, sagte sie.
Um den Übergang zu den zugänglichen Datenbanken zu fördern, die zur Unterstützung der Integration des maschinellen Lernens in die pharmazeutischen Wissenschaften auf breiterer Ebene erforderlich sind, haben Allen und das Forschungsteam ihren Weg gemacht Datensätze und Code und auf der Open-Source-Plattform Zenodo verfügbar.
„Für diese Studie war es unser Ziel, die Eintrittsbarriere für die Anwendung des maschinellen Lernens in den pharmazeutischen Wissenschaften zu senken“, sagte Bannigan. „Wir haben unsere Datensätze vollständig verfügbar gemacht, damit andere hoffentlich auf dieser Arbeit aufbauen können. Wir möchten, dass dies der Anfang von etwas ist und nicht das Ende der Geschichte für maschinelles Lernen in der Arzneimittelformulierung.“
Mehr Informationen:
Machine-Learning-Modelle zur Beschleunigung des Designs von Polymer-Injektionsmitteln mit Langzeitwirkung, Naturkommunikation (2023). DOI: 10.1038/s41467-022-35343-w