DeepMind představil agenta pro návrh léčiv, práci zvládne za hodinu

Tým Google DeepMind představil v článku s názvem „Agentic cheminformatics with Google Antigravity“ novou sadu nástrojů, která má výrazně zrychlit práci při objevování léčiv. Text vyšel 3. listopadu v sekci Science na webu společnosti a jeho autory jsou Zoi Tsangalidou, Ruijie (Kelly) Zhang, Sukhdeep Singh a Michael V. LeVine. Jde o sadu nazvanou Cheminformatics Skills, která funguje v rámci platformy Google Antigravity.

Podle autorů dokáže agent postavený na těchto nástrojích zpracovat reálná data o léčbě rakoviny plic, analyzovat tisíce sloučenin, provést analýzu matched molecular pairs a navrhnout nové rigidifikované makrocykly včetně syntetických cest. Celý tento postup zvládne zhruba za jednu hodinu, zatímco jedna iterace návrhu léčiv tradičním způsobem trvá několik dní. Skills stavějí na knihovně RDKit a využívají propojení s databázemi ChEMBL a PubChem.

Jako modelový příklad článek používá dvě léčiva proti rakovině plic. Crizotinib je inhibitor tyrosinkinázy s pěti hlavními rotovatelnými vazbami. Lorlatinib je léčivo třetí generace, jehož molekula je cyklizovaná a má nulový počet efektivních rotovatelných vazeb. Právě rigidifikace struktury, tedy omezení její pohyblivosti, je principem, který agent při návrhu nových sloučenin uplatňuje.

Pracovní postup začíná sběrem dat. Agent během několika minut získá z veřejných databází tisíce sloučenin, odfiltruje molekuly, které do analýzy nepatří, například pufry a rozpouštědla, a vytvoří zprávu o použitých zdrojích. Z ní lze zpětně dohledat, odkud údaje pocházejí.

Následná analýza přinesla dva hlavní poznatky. Prvním je, že u makrocyklů se ve značné míře předpovídá schopnost proniknout do mozku. To je podle autorů důležité, protože rakovina plic často metastazuje právě do mozku a léčivo se tam musí dostat. Druhým poznatkem je vztah mezi pohyblivostí molekuly a účinností. Po vynesení potence proti počtu rotovatelných vazeb se ukázalo, že makrocykly podobné lorlatinibu mají méně rotovatelných vazeb a zároveň vyšší potenci.

Agent také sám porovnával několik architektur strojového učení. Testoval je na čtyřech experimentálních výstupech a použil takzvaný scaffold split, tedy rozdělení dat podle základních struktur molekul, které lépe prověří schopnost modelu předpovídat vlastnosti zcela nových typů sloučenin.

V poslední fázi agent navrhl několik reakcí a syntetických cest pro nové makrocykly. Článek v této souvislosti zmiňuje ověřování navržených reakcí, tvorbu diagramů elektronových přesunů a vyhledávání podobných reakcí ve veřejných databázích. Chemik tak dostává nejen seznam kandidátních molekul, ale i podklady k tomu, jak by je bylo možné připravit.

Autoři celý postup prezentují jako ukázku toho, jak lze zkrátit cyklus návrhu, analýzy a plánování syntézy z dnů na hodiny. Článek popisuje konkrétní scénář s daty o léčbě rakoviny plic a neuvádí, že by navržené sloučeniny už byly experimentálně syntetizovány nebo testovány. Výsledky je proto třeba chápat jako výstup počítačové analýzy a návrhu, nikoli jako potvrzené nové léčivo.

Využití agentních systémů v cheminformatice odpovídá širšímu trendu, kdy se rutinní a časově náročné kroky výzkumu přenášejí na software schopný samostatně sestavit a provést vícekrokový postup. V případě Cheminformatics Skills jde o propojení známých a široce používaných nástrojů, jako je RDKit, s databázemi ChEMBL a PubChem a s agentem, který celý proces řídí a dokumentuje. Podle autorů tak odpadá velká část ruční práce, která dosud zabírala většinu času mezi jednotlivými iteracemi návrhu.

Konkrétní technické detaily, například použité modely strojového učení nebo číselné výsledky benchmarku, článek v popisované části nespecifikuje. Důraz klade na rychlost celého procesu a na skutečnost, že agent zvládne spojit sběr dat, filtraci, statistickou analýzu, modelování i návrh syntézy do jediného navazujícího postupu.