Medicijnen ontwikkelen met kunstmatige intelligentie
Het ontwikkelen van nieuwe geneesmiddelen is een moeilijk proces. Farmaceutisch wetenschapper Xuhan Liu heeft met behulp van kunstmatige intelligentie methoden ontwikkeld die kunnen helpen bij het sneller en goedkoper ontwerpen van medicijnen. Promotie op 15 februari.
Om nieuwe geneesmiddelen te ontwikkelen, zijn moleculen nodig die aan een doelwit, vaak een eiwit, kunnen binden. Vergelijk het met een sleutel die op een slot past. Maar het juiste molecuul maken, is enorm moeilijk. Er zijn namelijk ontzettend veel mogelijkheden om een molecuul op te bouwen. Sinds 2016 wordt geprobeerd om dit met deep learning sneller en goedkoper voor elkaar te krijgen.
Deep learning is een vorm van kunstmatige intelligentie die de werking van hersenen nabootst. Het maakt gebruik van neurale netwerken die talloze verbindingen vormen. Het lukt al om hier moleculen mee te ontwerpen, maar de diversiteit was niet groot. Liu: ‘Met het deep learning-model dat ik ontwikkelde, lukte het om de chemische diversiteit te verbeteren.’
Deep learning is een vorm van kunstmatige intelligentie die de werking van hersenen nabootst.
Meerdere doelen
Maar daar stopte zijn onderzoek niet, want voor medicijnontwikkeling is het belangrijk dat moleculen op meerdere doelen effect hebben in het lichaam. Dit heet polyfarmacologie. Het molecuul is dan geen sleutel die op een slot past, maar een loper die op meerdere sloten past. Dat is vooral nodig bij de behandeling van ziekten waarbij meerdere lichamelijke processen zijn betrokken, zoals bijvoorbeeld kanker. Ook is de kans op resistentie tegen het medicijn kleiner als deze op meerdere doelen, bijvoorbeeld meerdere eiwitten, effect heeft.
‘Met verschillende algoritmen is het deep learning-model verder getraind en kon ik uiteindelijk zowel de nauwkeurigheid als de diversiteit van de moleculen verbeteren’, zegt Liu. ‘Uit testen blijkt dat ze potentieel een hoge werkzaamheid en lage toxiciteit hebben. Het zijn goede resultaten.’
Optimaliseren
Bij de twee bovenstaande methoden worden de moleculen helemaal zelf opgebouwd. Maar omdat het aantal potentieel geschikte moleculen voor geneesmiddelen enorm is, start medicijnontwerp vaak vanuit een al bekende farmaceutische structuur. ‘Zo kun je moleculen waarvan bekend is dat ze werken verder optimaliseren’, legt Liu uit. Dat kan nu ook met zijn deep learning-model. ‘Op deze manier hoef je niet helemaal opnieuw te beginnen met de ontwikkeling.’
'Deep learning is een black box. Het is moeilijk om uit te leggen wat het mechanisme erachter is.'
Toekomst
Na zijn promotie gaat Liu de modellen nog verder ontwikkelen. Hij denkt dat er wel nog een lange weg te gaan is voordat deep learning echt wordt geaccepteerd voor de ontwikkeling van medicijnen. Liu: ‘Deep learning is een black box. Het is moeilijk om uit te leggen wat het mechanisme erachter is. Daarom is het lastig om anderen ervan te overtuigen dat hiermee goede moleculen voor geneesmiddelen worden gemaakt.’ Desondanks denkt hij dat er in de toekomst steeds meer gebruik gaat worden gemaakt van deep learning bij de ontwikkeling van nieuwe medicijnen.
Tekst: Dagmar Aarts
Afbeeldingen: Xuhan Liu