Många läkemedel vi använder är designade för att inhibera, det vill säga blockera, en funktion i ett visst protein i cellen. Det gäller att hitta exakt rätt molekyl som passar i proteinets så kallade aktiva säte. Det kräver många, tidskrävande tester av en stor mängd molekyler innan forskarna hittar den optimala molekylen, som dessutom ska klara alla andra krav som ställs på ett läkemedel.
Under de senaste 3 åren har Leif Erikssons forskargrupp vid Institutionen för kemi och molekylärbiologi på Göteborgs Universitet arbetat med att utveckla nya AI-baserade verktyg som kan ersätta dessa tester. Nu har de tagit fram en AI-mjukvara som gör jobbet på mycket kortare tid och med stor noggrannhet.
Noggranna förutsägelser
– Vi har tränat vår AI-modell på ett helt nytt sätt för att kunna förstå hur en molekyl ska se ut för att passa i proteinet. Genom våra nya algoritmer kan vi söka efter nya substanser på en bråkdel av den tid som krävs inom traditionell läkemedelsutveckling, våra prediktioner är de mest noggranna som någonsin uppmätts i samtliga typer av tester som görs, och vi kan enkelt generera helt nya "kemiskt relevanta" molekyler eller bygga vidare på förbestämda grundstrukturer, säger Leif Eriksson, professor i fysikalisk kemi.
AI-verktyget kallas för i-TripleD och till mjukvaran har forskarna också utvecklat en så kallad ADMET-modul som effektivt bestämmer fysiokemiska egenskaper och säkerhetsprofiler för läkemedelssubstanserna, vilket gör det möjligt att på tidigt skede filtrera bort de substanser som inte kommer klara sig hela vägen till klinik, och därmed spar enorma resurser.
Stora tidsvinster
– Vi har tränat AI till att se vilka egenskaper molekylen har som till exempel toxicitet, stabilitet, eventuella biverkningar och om den kan tas upp av kroppen och nå ut till cellerna, säger Leif Eriksson.
Ett exempel på vilka tidsvinster som AI-verktyget kan ge är när forskarna ville hitta nya inhibitorer av ett protein hos coronaviruset, SARS-CoV-2. Forskarna lät i-TripleD screena igenom en databas på över 1 miljard kemiska föreningar. Det tog cirka 36 timmar för AI-verktyget att plocka fram de lämpligaste föreningarna ur databasen. Om samma arbete skulle gjorts med dagens snabbaste program hade det tagit 5 månader.
Denna vetenskapliga landvinning ska nu ut på den kommersiella marknaden och nu har innovationen alltså uppmärksammats av Kungl. Ingenjörsvetenskapsakademin (IVA) som tagit med AI-verktyget på sin årliga topp 100-lista.
Iransk forskare gav nya angreppssätt
– Det är självklart jätteroligt. Vi har nu sökt patent på AI-verktyget och arbetar tillsammans med Chalmers Entreprenörsskola och Chalmers Ventures för att se om det går att kommersialisera genom bildandet av avknoppningsbolaget ANYO Labs. Det tog cirka ett och ett halvt år att ta fram mjukvaran och mycket är tack vare en iransk forskare i min grupp, Jalil Mahdizadeh, som leder arbetet. Han anslöt 2019 och kom från ett lite annat vetenskapligt område, utan koppling till läkemedelsutveckling. Det gör att han kan ta sig an problemställningar från ett nytt angreppssätt, säger Leif Eriksson.
IVA:s årliga 100-lista sätter ljuset på aktuell forskning med potential att skapa nytta genom kommersialisering, affärs- och metodutveckling eller samhällspåverkan. Utöver Leif Eriksson forskningsprojekt kom ytterligare två projekt från Göteborgs universitet med på listan.
- Leif Holmlids forskningsprojekt om fusionskraft – ”Energigenerering utan avfall och växthusgaser”
- Alexandre Friemann Dmitrievs projekt om en ny optisk märkning av material som ska återvinnas – ”Optical ultrasensors to help to recycle various materials, from e-waste to paper”
Läs mer om projektet (på engelska)
