Am 12. Mai stellte das Forscherteam der Ohio State University DiffSMol vor, ein generatives KI-Modell, das speziell für die Erstellung von 3D-Strukturen für kandidierte Arzneimittel entwickelt wurde (https://news.osu.edu). DiffSMol analysiert die Form bekannter Liganden (Moleküle, die sich mit Proteintargets verbinden) und kann innerhalb weniger Sekunden neue 3D-Moleküle mit herausragenden Bindungseigenschaften generieren, wobei die Erfolgsrate bei 61,4 % liegt, was deutlich über dem bisherigen Niveau von 12 % liegt. AIbase beobachtete, dass diese bahnbrechende Entwicklung die Dauer des Medikamentenentwicklungsprozesses in den letzten zehn Jahren erheblich optimieren und die Effizienz sowie die Kosten-Nutzen-Relation deutlich steigern könnte.
Kerntechnologie: Schnelle Generierung von hochpotentiellen kandidierten Arzneimitteln
DiffSMol basiert auf fortschrittlichen generativen KI-Frameworks und lernt durch die Shape-Eigenschaften bekannter Liganden, um komplexe 3D-Molekülstrukturen zu generieren, die nicht im aktuellen chemischen Datenbankbestand enthalten sind. Das Forscherteam nutzte bedingungsgebundene Generierungstechniken, um sicherzustellen, dass die neuen Moleküle eine starke Bindungsaffinität zu den Proteintargets haben. AIbase berichtet, dass DiffSMol in der Lage ist, einzelne Moleküle innerhalb von einer Sekunde zu generieren, was eine Verbesserung der Effizienz gegenüber traditionellen Methoden um Hunderte von Faktoren darstellt. Testergebnisse zeigen, dass das Modell in Fallstudien zu cyclin-abhängigen Kinase 6 (CDK6) (für die Regulation des Zellzyklus und die Hemmung des Krebswachstums) und Neprilysin (NEP) (für die Verlangsamung des Fortschritts der Alzheimer-Krankheit) neue Moleküle generiert, die über bekannten Liganden hinausgehen, was sein Potenzial zur Behandlung von Krebs und neurodegenerativen Erkrankungen unterstreicht.
Open Source: Förderung globaler Forscherkooperationen
Die Entwickler von DiffSMol haben ihren Code und ihre Datensätze vollständig offen source gemacht und auf GitHub (https://github.com/osu-ninglab/DiffSMol) veröffentlicht, um Wissenschaftler weltweit einzuladen, sie zu optimieren und anzuwenden. AIbase-Redaktionsteam hält diese Open-Source-Strategie für entscheidend, um die Verbreitung generativer KI in der Medikamentenentwicklung zu beschleunigen, insbesondere für kleinere Forschungsinstitute mit begrenzten Ressourcen. Die Forschung erhielt Unterstützung von der National Science Foundation, der National Medical Library und dem National Center for Advancing Translational Sciences, was ihre akademische und praktische Bedeutung unterstreicht. Diskussionen in sozialen Medien zeigen, dass DiffSMol dank seiner geringen Rechenanforderungen (lauffähig auf Standardhardware) ein ideales Werkzeug für unabhängige Labore darstellt.
Einschränkungen und Zukunft: Brechung der Ligandenabhängigkeit
Obwohl DiffSMol in der Generierung kandidierter Arzneimittel herausragend performt, hängt das aktuelle Modell weiterhin von den Shape-Eigenschaften bekannter Liganden ab und ist nicht in der Lage, vollständig von Grund auf neue Moleküle zu entwerfen. Das Forscherteam plädiert für die Einführung multimodaler Daten (wie Protein-Ligand-Interaktionen und Genexpressionsdaten), um dieses Limit zu überwinden. AIbase analysiert, dass mit der Iteration der generativen KI-Technologie DiffSMol in der Zukunft die gesamte Prozesskette von der Targetidentifikation bis zur Molekülherstellung automatisieren könnte. Experten im sozialen Netzwerk prognostizieren, dass Tools wie DiffSMol in den nächsten fünf Jahren die Dauer der Medikamentenentwicklung um mehr als 30 % reduzieren könnten.
Branche-Hintergrund: Aufschwung generativer KI in der Medikamentenentwicklung
Die Veröffentlichung von DiffSMol erfolgt zur Zeit der raschen Expansion generativer KI in der Medikamentenentwicklung. AlphaFold löste 2021 das Problem der Vorhersage der 3D-Struktur von Proteinen und Insilico Medicine sowie AbSci bringen bereits generierte Moleküle in klinische Studien ein. AIbase bemerkte, dass generative KI durch virtuelle Screening und de novo Design den durchschnittlichen Kostenrahmen für traditionelle Medikamentenentwicklung von 2,5 Milliarden USD auf Millionen reduzierte und die Erfolgsrate von weniger als 10 % auf bis zu 90 % in einigen Fällen erhöhte. Doch DiffSMol hebt sich durch seine hohe Erfolgsrate und Open-Source-Attribute von vielen anderen Modellen ab und ist somit das Zentrum der akademischen und industriellen Interesse.
AI-Revolution in der Medikamentenentwicklung
Der Erfolg von DiffSMol markiert einen Schritt vom Theoriebereich zur praktischen Anwendung generativer KI und bringt neue Hoffnung für die Behandlung komplexer Krankheiten wie Krebs und Alzheimer. AIbase-Redaktionsteam vermutet, dass mit der Beitragsleistung der Open-Source-Gemeinschaft und der kontinuierlichen Optimierung DiffSMol zum Leitsystem in der Medikamentenentwicklung werden könnte, die Branche in Richtung schnellerer und kostengünstigerer Entwicklung weiter vorantreiben wird. Allerdings muss das Modell weiterhin seine Performance in präklinischen und klinischen Studien validieren, um die Sicherheit und Wirksamkeit der generierten Moleküle zu garantieren.