Yuxin Yang ve meslektaşları liderliğindeki bir araştırma ekibi, ağrı tedavisi için potansiyel ilaç adaylarını belirlemek üzere moleküler görüntüleme ve protein yapısal temsillerini birleştiren LISA-CPI adlı yenilikçi bir derin öğrenme çerçevesi geliştirdi.
Kronik ağrı önemli bir küresel sağlık sorunudur ve opioidler gibi geleneksel ağrı yönetimi seçenekleri bağımlılık gibi ciddi yan etkilerle ilişkilidir. Bu zorluğun üstesinden gelmek için Yang ve arkadaşları, ağrı sinyal yollarında yer alan spesifik G-protein-bağlı reseptörleri (GPCR'ler) hedefleyerek opioid olmayan ağrı kesicilerin keşfini hızlandırmak için yapay zekadan (AI) yararlanan yeni bir yöntem geliştirmiştir.
LISA-CPI, ilaç benzeri bileşiklerin moleküler görüntülerini ve gelişmiş AlphaFold2'nin Evoformer algoritmasından elde edilen proteinlerin 3D yapısal temsillerini entegre etmesi bakımından benzersizdir. Bu yaklaşım, 10 milyondan fazla etiketlenmemiş molekül üzerinde eğitilen ve 33 ağrı ile ilgili GPCR ile etkileşime giren 104.969 ligand üzerinde değerlendirilen model ile bileşik-protein etkileşimlerinin (CPI'ler) son derece doğru tahminlerine olanak tanır. Mevcut modellerle karşılaştırıldığında LISA-CPI, tahmin doğruluğunda %20'lik kayda değer bir iyileşme göstererek hesaplamalı ilaç keşfi alanında devrim yaratma potansiyelini vurgulamıştır.
Bu çalışmanın en önemli atılımlarından biri, LISA-CPI'ın yeniden kullanılabilir ilaçları, yani orijinal olarak başka koşullar için geliştirilmiş ancak ağrı yönetimi için de etkili olabilecek ilaçları belirleme yeteneğidir. Tanımlanan bileşikler arasında, ağrı ile ilgili GPCR'lerle umut verici etkileşimler gösteren metilergometrin ve sitikolin gibi bağırsak metabolitleri vardı. Bu bulgular, özellikle mevcut ağrı kesici ilaçlarla ilişkili bağımlılık riskini ve diğer yan etkileri önemli ölçüde azaltabilecek opioid olmayan hedeflere odaklanarak ağrı tedavisi için yeni yollar açmaktadır.
Derin öğrenme modeli, ChEMBL ve GLASS veritabanlarından alınan çok çeşitli veriler üzerinde titizlikle test edilmiş ve ImageMol ve CHEM-BERT gibi diğer makine öğrenimi yöntemlerinden sürekli olarak daha iyi performans göstermiştir. LISA-CPI'ın üstün doğruluğu, ligand görüntüleme yoluyla kimyasal farkındalığa ve 3D protein kalıntı çifti gösterimleri yoluyla ayrıntılı protein yapısı anlayışına odaklanmasından kaynaklanmaktadır. Bu kombinasyon, onu ağrı algısı ve diğer karmaşık hastalıklarda kritik öneme sahip ilaç-protein etkileşimlerini keşfetmek için güçlü bir araç haline getirmektedir.
LISA-CPI, ilaç repurposingine ek olarak, ağrı tedavisinde bağırsak mikrobiyotasından türetilen metabolitlerin potansiyelini de araştırdı. Bağırsak sağlığı, ağrı da dahil olmak üzere çeşitli kronik durumlarla giderek daha fazla ilişkilendirilmektedir. Ekip, LISA-CPI kullanarak, Bacteroides gibi bağırsak bakterileri tarafından üretilen sitikolin ve NAD gibi bazı metabolitlerin, GPCR'leri hedefleyerek ağrıyı modüle etmede terapötik potansiyele sahip olabileceğini keşfetti. Bu içgörü, ağrı tedavisine yeni bir karmaşıklık katmanı ekleyerek, bağırsak mikrobiyomunun manipüle edilmesinin ağrı yönetiminde yeni bir yaklaşım olabileceğini düşündürmektedir.
Bu çalışma, yapay zeka destekli ilaç keşfinde, özellikle de ağrı tedavisindeki uygulamaları açısından önemli bir ilerlemeye işaret ediyor. LISA-CPI gibi sofistike modellerin kullanımı sadece tahminlerin doğruluğunu artırmakla kalmaz, aynı zamanda yeni terapötik seçeneklerin belirlenmesi sürecini de hızlandırarak daha etkili ve daha güvenli ağrı kesici yöntemler arayışında değerli bir varlık haline getirir. Tüm verileri ve tahminleri içeren çalışmanın tamamı *Cell Reports Methods* dergisinde mevcuttur ve aşağıdaki bağlantıdan (clearnet) çevrimiçi olarak erişilebilir.
Bu tür yayınlarla ilgileniyorsanız, lütfen tepki verin ve yorum bırakın. Bu benim devam etmem için bir işaret olacaktır.