Канадские ученые создали модели машинного обучения, которые позволят ускорить разработку лекарств пролонгированного действия. С помощью этого метода они смогли предложить и протестировать рецептуру лекарства от рака молочной железы. Исследование опубликовано в журнале Nature Communications.
Одной из наиболее многообещающих стратегий для лечения хронических заболеваний является использование инъекционных лекарств длительного действия. Это класс продвинутых лекарственных систем, которые способны высвобождать действующее вещество в течение длительного периода времени. Такой подход предоставляет пациентам более удобный режим приема лекарств. Кроме того, такие лекарства безопаснее и эффективнее. Однако для того, чтобы разработать подобные системы, требуется большое количество экспериментов, что занимает много времени. Например, для подбора оптимальной концентрации действующего вещества нужно протестировать несколько вариантов рецептуры лекарства.
Чтобы ускорить процесс разработки таких лекарств, канадские ученые обратились к машинному обучению. Для этого исследователи разработали 11 разных моделей, в том числе нейросеть и древовидную модель lightGBM. Далее ученые подобрали набор данных. В него вошли результаты предыдущих исследований, проводимых ими самими и другими исследовательскими группами. Ученые разделили набор данных на две части. Первая использовалась для обучения моделей, вторая — для их проверки. Исследователи попытались предсказать результаты теста лекарств с помощью моделей и сравнили с реальными результатами эксперимента. Оказалось, что древовидные модели, в особенности lightGBM, были наиболее точны в своих предсказаниях.
На следующем этапе исследователи показали, как машинное обучение может быть использовано для разработки лекарств. Из модели они выделили критерии для дизайна лекарств и по ним разработали новую рецептуру лекарства от рака молочной железы. Затем они протестировали его, подтвердив предсказания модели. Так ученые доказали, что с помощью машинного обучения можно значительно сократить время разработки новых лекарств и подбора оптимальной рецептуры. Если обычно это занимало много времени и требовало проверки ряда рецептур, то при использовании машинного обучения ученые смогли подобрать нужную с первой попытки.
Ученые считают результаты своего исследования вдохновляющими и демонстрирующими потенциал для применения машинного обучения в сфере разработок лекарств. Однако они также отметили проблемный момент: недостаток фармацевтических данных в открытом доступе. В своем исследовании ученые сосредоточились на лекарствах на основе полимерных микрочастиц и были удивлены тем, насколько мало данных о них они могли найти. Эксперты подчеркнули важность разработки открытых и доступных баз данных, которые необходимы для развития фармацевтической области. В качестве первого шага они опубликовали весь собственный код и наборы данных, которые использовали в своем исследовании.
Подписывайтесь на InScience.News в социальных сетях: ВКонтакте, Telegram, Одноклассники.
