Dank einer neuen Methode auf Basis künstlicher Intelligenz wird es deutlich günstiger, zukünftige Medikamente aus Dutzenden Milliarden Molekülen zu entdecken.
Bevor Forschende ein Molekül im Labor herstellen und testen, wollen sie seine Wechselwirkung mit einem Zielprotein und damit seine Wirksamkeit simulieren. Dieser als virtuelles Screening bezeichnete Schritt ermöglicht es, viele Kandidaten schnell auszusortieren. Das Problem entsteht, wenn die Bibliothek Milliarden von Molekülen enthält: Die Berechnungen werden sehr langwierig und teuer.
Eine Reihe von Reagenzgläsern.
Symbolbild von Unsplash
Ein internationales Team hat AdaptiveFlow entwickelt, um diesen Aufwand zu verringern. Die Plattform verfügt über eine Bibliothek mit 69 Milliarden Molekülen, die bereits für Simulationen vorbereitet sind. Statt jedes Molekül mit derselben Genauigkeit zu testen, ordnet sie diese riesige Sammlung zunächst nach ihren Eigenschaften.
Konkret verteilt AdaptiveFlow die Moleküle in einem Raster, das durch 18 Merkmale definiert ist, etwa ihre Masse oder ihre Fähigkeit, sich in Wasser aufzulösen. Zunächst werden einige Vertreter jeder Gruppe getestet. Gruppen mit den vielversprechendsten Ergebnissen können anschließend deutlich umfassender untersucht werden.
Künstliche Intelligenz kann in diesem Schritt zum Einsatz kommen. Ein Modell lernt aus den ersten Berechnungen, um Moleküle zu erkennen, die mehr Aufmerksamkeit verdienen. Nach Angaben der Forschenden kann diese Strategie die Rechenkosten im Vergleich zur vollständigen Untersuchung der 69 Milliarden Moleküle um bis zu das 1.000-Fache senken.
Um zu überprüfen, dass das System nicht nur am Computer gute Ergebnisse lieferte, wandte das Team es auf zwei mit Krebs verbundene Proteine an. Eines davon, PARP1, ist an der DNA-Reparatur beteiligt und bereits ein Ziel von Medikamenten. Das andere, FSP1, hilft bestimmten Zellen, einer besonderen Form des Zelltods zu widerstehen.
Anhand der Berechnungen ausgewählte Moleküle wurden anschließend hergestellt und in der Praxis getestet. Mehrere blockierten die untersuchten Proteine wie gewünscht deutlich. Bei PARP1 erreichte einer der Kandidaten eine Bindungswirksamkeit, die mit der von Olaparib vergleichbar war, einem bereits gegen bestimmte Krebsarten eingesetzten Medikament. Es handelt sich jedoch nicht um ein neues, zur Verabreichung fertiges Medikament: Diese Moleküle sind weiterhin Ausgangspunkte für weitere Forschungen.
AdaptiveFlow wurde frei zugänglich veröffentlicht, und sein Code ist kostenlos verfügbar. Künftige Anwendungen können diesen Ansatz daher an anderen Proteinen und Bibliotheken testen und anschließend im Labor überprüfen, ob die ausgewählten Kandidaten ihre Eigenschaften in Zellen und später in lebenden Organismen beibehalten.