# Platforma AI GPS do przewidywania ekspresji genów na podstawie struktur molekularnych
Naukowcy z Michigan State University stworzyli platformę GPS (Gene expression profile Predictor on chemical Structures), która analizuje strukturę związków chemicznych i przewiduje ich wpływ na ekspresję genów. Model działa wyłącznie na podstawie wzorów molekularnych, bez testów laboratoryjnych. Wytrenowana na milionach danych eksperymentalnych, GPS rozwiązuje zadanie klasyfikacji: wzrost lub spadek aktywności genu dla każdego związku. Pozwala to na wirtualny screening kandydatów na leki.
Platforma już zidentyfikowała obiecujące substancje w przypadku raka wątrobowokomórkowego (HCC) — nowotworu wątroby o wysokiej śmiertelności — oraz idiopatycznego zwłóknienia płuc (IPF), gdzie mediana przeżycia wynosi trzy lata. Wyniki potwierdzono testami in vivo i ex vivo, opublikowano w czasopiśmie Cell.
Architektura i trening GPS
GPS uczy się na rozległym zbiorze danych eksperymentalnych pomiarów ekspresji genów. Kluczowym wyzwaniem jest szum w danych biologicznych. Jak podkreśla współautor Jiayu Zhou, model skupia się na silnych sygnałach, ignorując słaby szum. Osiąga to dzięki technikom robust learning, gdzie struktura cząsteczki (SMILES lub reprezentacje grafowe) jest podawana bezpośrednio na wejście.
Proces:
- Dane wejściowe: Struktura molekularna (wzór, graf).
- Przetwarzanie: Kodowanie na reprezentacje wektorowe (np. za pomocą graph neural networks).
- Wyjście: Wektor predykcji ekspresji dla tysięcy genów (up/down regulation).
- Trening: Multi-task classification na milionach par (związek — gen).
Model nie wymaga wstępnych eksperymentów, co przyspiesza fazę odkryć w rozwoju leków.
Zastosowanie w raku wątrobowokomórkowym
W przypadku HCC — trzeciego co do śmiertelności typu raka — GPS wyselekcjonowała dwa nowe związki. Testy na modelach mysich wykazały redukcję masy guza. Związki modulują kluczowe geny związane z proliferacją hepatocytów i angiogenezą. To pierwszy krok ku kandydatom, ale wymaga dalszej optymalizacji pod kątem specyficzności i biodostępności.
Wyniki w idiopatycznym zwłóknieniu płuc
IPF to postępująca choroba o niskiej przeżywalności. GPS zidentyfikowała:
- Jeden lek z reposycjonowaniem (repurposing z istniejących).
- Dwa nowe związki.
Walidacja przeprowadzona na myszach i eksplantatach ludzkiej tkanki płucnej od Corewell Health. Związki hamują szlaki fibrotyczne (TGF-β signaling), zmniejszając depozycję kolagenu. Starszy autor Xiaopeng Li podkreśla systemowe podejście AI, kontrastujące z tradycyjnymi niepowodzeniami przez 20 lat.
Otwarte oprogramowanie i perspektywy
Zespół z MSU, Stanford i University of Michigan otworzył kod źródłowy GPS. Platforma nadaje się do screeningu dowolnych związków przeciw celom w onkologii, fibrozie i innych dziedzinach. Wsparcie z NIH i NSF.
Edmund Ellsworth, dyrektor Centrum Medycznej Chemii MSU, ostrzega: od hitów do zatwierdzonych leków to lata optymalizacji, badań przedklinicznych i klinicznych. Rozwój to proces iteracyjny z interdyscyplinarnymi zespołami (>20 specjalistów w projekcie).
Co ważne:
- GPS przewiduje ekspresję genów wyłącznie na podstawie struktury, bez wet lab.
- Potwierdzone hity dla HCC (guź ↓ u myszy) i IPF (ex vivo human tissue).
- Otwarty kod dla community-driven screeningu.
- Skalowalność na inne choroby.
- Odporność na szum jako klucz do dokładności na noisy bio-data.
Platforma zmienia paradygmat w computational drug discovery, skupiając się na prediction-driven hitach.
— Editorial Team
Brak komentarzy.