人工智能发现药物能够对抗衰老和衰老相关疾病

寻找新的药物叫做“药物发现”是一个既昂贵又耗时的任务。但一种人工智能机器学习可以大大加速过程和工作的价格的一小部分。

我和我的同事最近使用这种技术发现三个有前途的候选人senolytic drugs-drugs,减缓衰老和防止与年龄相关的疾病。我们的研究发表在《华尔街日报》自然通讯。

Senolytics工作通过杀死衰老细胞。这些细胞是“活着”(新陈代谢活跃),但再也不能复制,因此他们的昵称:僵尸细胞。

无法复制未必是一件坏事。这些细胞遭受损伤dna的例子,皮肤细胞受到太阳的鱼所以停止复制停止传播造成的损失。

但衰老细胞并不总是一件好事。它们分泌一种鸡尾酒的炎症蛋白可以扩散到邻近的细胞。一生中,我们的细胞受到接二连三的攻击,从紫外线到暴露于化学物质,所以这些细胞积累。高架衰老细胞已经涉及的数量一系列的疾病,包括2型糖尿病,COVID、肺纤维化、骨关节炎和癌症。

研究在实验室老鼠表明,消除衰老细胞,使用senolytics,可以改善这些疾病。这些药物能杀死僵尸细胞同时保持健康的细胞活着。

周围80年senolytics众所周知,但只有两个在人类测试:结合达沙替尼和槲皮素。很高兴找到更多senolytics可以用于各种各样的疾病,但它需要10到20年数十亿美元药物的市场。

结果在五分钟内

我同事和I-including爱丁堡大学的研究人员和西班牙国家研究委员会IBBTEC-CSIC桑坦德,Spain-wanted知道如果我们能训练机器学习模型来识别senolytic新药的候选人。

要做到这一点,我们给人工智能模型与已知senolytics和non-senolytics的例子。学会区分这两个模型,可用于预测分子是否也可以senolytics之前他们从未见过。

当解决一个机器学习问题,我们通常在一系列不同的测试数据模型首先是他们中的一些人会比其他人表现更好。确定表现最好的模型,在进程的开始,我们单独的一小部分可用的训练数据和把它隐藏在模型训练过程完成之前。然后我们使用这个测试数据来量化模型是有多少错误。最少的一个错误,获胜。

我们决定最好的模型进行预测。我们给它4340分子和五分钟后交付结果的列表。

人工智能模型确定21高分的分子,它认为senolytics的可能性很高。如果我们有测试在实验室里原来的4340个分子,将已经至少几个星期的密集的工作和£50000年购买的化合物,不包括实验机械和设置的成本。

然后我们测试这些候选药物在两种类型的细胞:健康和衰老。结果表明,21个化合物,三(periplocin, oleandrin和银杏亭)能够消除衰老细胞,同时保持大多数正常细胞存活。这些新的senolytics然后进行进一步测试,以了解它们是如何工作的。

更详细的生物实验表明,三种药物,比表现最好的已知senolytic oleandrin更有效的药物。

这个跨学科的潜在影响approach-involving数据科学家,化学家和生物学家正在巨大的。给予足够的高质量的数据,人工智能模型可以加速惊人的化学家和生物学家做的工作找到治疗和治疗医保未满足的需求。

在验证中衰老细胞我们现在测试的三个候选人senolytics在人类的肺部组织。我们希望在两年的时间报告我们的下一个结果。

这篇文章是转载的谈话基于知识共享许可协议。读了原文。