Optimalizace terapií pro prodloužení života: Jak strojové učení pomáhá objevovat nové geroprotektory
Jedním z úkolů, ve kterém vyniká strojové učení a související techniky, je hledání vzorů ve velmi velkých datových souborech a extrapolace těchto vzorů k předpovědi dosud neobjevených členů. Výsledek kombinací známých malých molekul léčiv a kandidátů na léčiva je jedním z takových datových souborů. O polyfarmakologii je známo jen velmi málo s jistotou, protože výzkumné a vývojové skupiny operují pod pobídkami, které silně odrazují od posuzování kombinovaných léčebných postupů. Tam, kde vědci zkoumali kombinace malých molekul v kontextu zpomalování stárnutí, zjistili, že typickým výsledkem je, že jakékoli dvě sloučeniny, které jednotlivě mírně mění metabolismus a zpomalují stárnutí, při kombinaci neprodukují žádný přínos nebo mírnou škodu. Jedná se o obrovský prostor možností, málo konkrétních znalostí a možná i některé užitečné výsledky skryté v balastu – a to je přesně ten typ výzvy, ve které lze strojové učení použít k urychlení tempa objevování. Nicméně, nakonec mluvíme o velikostech účinků, které jsou, v nejlepším případě, srovnatelné s účinky cvičení. Toto není cesta k radikálnímu prodloužení života.
Polyfarmakologie a prodloužení života
Genetický základ délky života je stále lépe pochopen, ale optimální strategie pro navrhování intervencí k jeho prodloužení zůstávají nejasné. Léčiva s malými molekulami, hlavní pilíř farmaceutického průmyslu, působí modulací aktivity genových produktů – proteinů, zde označovaných jako cíle. Standardní praxe objevování léčiv diktuje, že terapeutické sloučeniny by měly být vysoce specifické pro jeden cíl. Nicméně, bližší inspekce léků schválených FDA odhaluje, že některé z nejúčinnějších léků se vážou na více cílů současně a že v některých případech jsou specifičtější analogy méně účinné. Tato zjištění naznačují, že polyfarmakologie může zlepšit účinnost u některých komplexních indikací.
Největší nezaujatá studie dlouhověkosti, která zkoumala Library of Pharmacologically Active Compounds (LOPAC), zejména léky schválené FDA, identifikovala významnou skupinu sloučenin, které prodlužují život modulací neuroendokrinních a neurotransmiterových systémů. Bylo pozorováno, že většina inhibitorů G-protein spřažených receptorů (GPCR) se váže na více strukturně příbuzných cílů, což naznačuje, že polyfarmakologická vazba zvyšuje jejich účinnost při prodlužování života. K otestování této myšlenky byly použity statistické nástroje a nástroje strojového učení, konkrétně grafové neuronové sítě (GNN), k identifikaci geroprotektivních sloučenin, které se současně vážou na více biogenních aminových receptorů, a poté byla posouzena jejich účinnost na délku života Caenorhabditis elegans.
Více než 70 % vybraných sloučenin prodloužilo život, s velikostí účinků v horních 5 % ve srovnání se všemi geroprotektory zaznamenanými v databázi DrugAge. Studie tedy odhaluje, že racionální navrhování polyfarmakologických sloučenin umožňuje navrhování geroprotektorů s výjimečnou účinností.
Tento výzkum, jehož podrobnosti naleznete na https://doi.org/10.1111/acel.70060, ukazuje, jak moderní technologie, jako je strojové učení, mohou urychlit objevování nových způsobů, jak ovlivnit proces stárnutí, i když je třeba si uvědomit, že vliv těchto intervencí je zatím spíše mírný.