מחקר MIT: מודלי AI שמבינים עקרונות כימיים מאיצים גילוי תרופות
פרופ׳ קונור קולי מ-MIT מפתח מודלי בינה מלאכותית שמבינים עקרונות כימיים, חוזים תגובות ומתכננים מולקולות חדשות. הגישה עשויה לקצר משמעותית את תהליך גילוי התרופות ולשפר את אמינות המודלים המדעיים.
פרופ׳ קונור קולי מ-MIT מוביל קו מחקר שמנסה לפתור אחת הבעיות הגדולות ביותר בכימיה מודרנית: כיצד לאתר, מתוך מרחב כמעט בלתי נתפס של מולקולות אפשריות, את התרכובות הקטנות שעשויות להפוך לתרופות יעילות.
בינה מלאכותית שנדרשת להבין כימיה, לא רק לזהות דפוסים
רוצה להישאר מעודכן ב-AI?
הירשם לדיוור השבועי שלנו וקבל עדכונים, המלצות על כלים, חדשות ודוחות מיוחדים
על פי MIT News, מספר התרכובות הכימיות שעשויות להיות רלוונטיות כתרופות מולקולה קטנה מוערך בטווח עצום של כ-10^20 עד 10^60 אפשרויות. בדיקה ניסויית של כל מועמד כזה אינה אפשרית, ולכן תעשיית התרופות והאקדמיה פונות יותר ויותר לכלי בינה מלאכותית כדי לצמצם את החיפוש, לחזות תכונות ולהציע מסלולי סינתזה.
קולי, פרופ׳ חבר להנדסה כימית ולהנדסת חשמל ומדעי המחשב ב-MIT, וכן חבר ב-MIT Schwarzman College of Computing, פועל בדיוק בצומת הזה שבין כימיה, למידת מכונה ומדעי המחשב. מטרת המעבדה שלו אינה רק להריץ מודלים על מאגרי נתונים כימיים, אלא לבנות מערכות שמטמיעות בתוכן הבנה של עקרונות יסוד בכימיה, בדומה לאינטואיציה של כימאי מנוסה.
מה הופך את הגישה של קולי לחשובה כל כך
במשך שנים רבות, מודלים חישוביים בכימיה התמקדו בזיהוי קורלציות: אם מולקולה דומה למולקולות אחרות שהצליחו בעבר, ייתכן שגם היא מועמדת טובה. אולם בתחום התרופות, דמיון סטטיסטי אינו מספיק. מולקולה חייבת להיקשר לחלבון מטרה, להיות יציבה מספיק, להיספג בגוף, לא להיות רעילה, ובעיקר להיות ניתנת לייצור בתהליך כימי מעשי.
כאן נכנסת תרומתו של קולי. אחד המודלים שפותחו במעבדתו, ShEPhERD, נועד להעריך מולקולות תרופתיות פוטנציאליות לפי הצורה התלת-ממדית שלהן והאופן שבו הן עשויות ליצור אינטראקציה עם חלבוני מטרה. לפי הדיווח, המודל כבר נמצא בשימוש של חברות תרופות לצורך גילוי מועמדים חדשים, מה שמעיד על מעבר הדרגתי של כלים אקדמיים מסוג זה אל תוך תהליכי עבודה תעשייתיים.
בפרויקט אחר פיתחה המעבדה את FlowER, מודל בינה מלאכותית גנרטיבית שמטרתו לחזות תוצרים של תגובות כימיות. החידוש המרכזי אינו רק ביכולת החיזוי, אלא בכך שהחוקרים שילבו במודל מגבלות פיזיקליות בסיסיות, כגון חוק שימור המסה, וחייבו אותו להתחשב בשלבי הביניים האפשריים בדרך מהמגיבים לתוצרים. במילים אחרות, המודל אינו רק מנחש את סוף התגובה, אלא נדרש לחשוב על הדרך הכימית לשם.
מהמעבדה האוטומטית לגילוי תרופות מהיר יותר
הרקע של קולי מסביר את כיוון המחקר. במהלך הדוקטורט שלו ב-MIT, בהנחיית הפרופסורים קלאבס ינסן וויליאם גרין, הוא עסק באופטימיזציה של תגובות כימיות אוטומטיות ובשילוב בין למידת מכונה לכמואינפורמטיקה. חלק מעבודתו נעשה במסגרת תוכנית Make-It במימון DARPA, שנועדה לשפר את סינתזת התרופות והחומרים השימושיים באמצעות למידת מכונה ומדעי נתונים.
לאחר מכן השלים קולי פוסט-דוקטורט במכון ברוד, שם עסק בזיהוי מולקולות קטנות מתוך ספריות עצומות המקודדות ב-DNA, ובבחינת יכולתן להיקשר לחלבונים מוטנטיים הקשורים למחלות. החיבור בין ביולוגיה כימית, אוטומציה ומודלים גנרטיביים העניק למעבדה שלו ב-MIT בסיס ייחודי לפיתוח מערכות AI שמיועדות למחקר תרופתי אמיתי, לא רק להדגמות חישוביות.
המשמעות לתעשייה ולמדע
העבודה של קולי משתלבת במגמה עולמית רחבה: מעבר מבינה מלאכותית כללית לזנים של AI מדעי, שמבוססים על ידע תחומי עמוק. עבור תעשיית התרופות, המשמעות עשויה להיות קיצור שלבים מוקדמים בגילוי תרופות, הפחתת ניסויים כושלים, וזיהוי מסלולי ייצור יעילים יותר. עבור המדע, מדובר בצעד חשוב לקראת מודלים שאינם רק חזקים סטטיסטית, אלא גם נאמנים לחוקי הטבע.
כפי שקולי מדגיש בדיווח של MIT, הכימאים חושבים באופן טבעי על מנגנוני תגובה, שלבי ביניים והיתכנות כימית. האתגר כעת הוא לגרום גם למודלים החישוביים לחשוב כך. אם המאמץ הזה יצליח, הדור הבא של כלי הבינה המלאכותית בכימיה לא רק יציע מולקולות חדשות, אלא יסביר כיצד לייצר אותן ומדוע הן עשויות לעבוד.