Порівняльне дослідження безкодових додатків на основі штучного інтелекту для відкриття та розробки ліків

Автор(и)

  • Ірина Володимирівна Ніженковська Національний медичний університет імені Богомольця, Україна https://orcid.org/0000-0001-5065-3147
  • Тетяна Дмитрівна Рева Національний медичний університет імені Богомольця, Україна https://orcid.org/0009-0006-4804-2113
  • Олена Володимирівна Кузнецова Національний медичний університет імені Богомольця, Україна https://orcid.org/0000-0002-5229-0287
  • Олексій Ігорович Ніженковський Національний медичний університет імені Богомольця, Україна https://orcid.org/0009-0001-5362-5245
  • Оксана Миколаївна Чхало Національний медичний університет імені Богомольця, Україна https://orcid.org/0000-0002-8874-4674

DOI:

https://doi.org/10.15587/2519-4852.2024.318920

Ключові слова:

додатки, керовані ШІ, відкриття ліків, безкодові платформи, машинне навчання, фармацевтичні дослідження

Анотація

Мета. Мета цього дослідження полягала в тому, щоб оцінити функціональність і ефективність вибраних безкодових додатків на основі штучного інтелекту для виявлення ліків. Це дослідження було зосереджено на оцінці простоти використання, дизайну інтерфейсу, взаємодії з користувачем, швидкості, використання ресурсів, точності та масштабованості, щоб визначити їх придатність для різних завдань розробки ліків.

Матеріали та методи. У дослідженні використовувалася методологія оцінки, заснована на тестуванні шести безкодових додатків на основі ШІ: Pharma.AI від Insilico Medicine, Atomwise, LiveDesign від Schrödinger, Exscientia, BenevolentAI і Cyclica. Кількісні дані були зібрані з показників ефективності, а якісні дані були отримані шляхом опитування експертів. Аналіз даних проводився з використанням описової статистики, дисперсійного аналізу повторних вимірювань і тестів чесної значущої різниці (HSD) Тьюкі.

Результати. Аналіз показав, що Pharma.AI і Atomwise від Insilico Medicine незмінно перевершують інші додатки з точки зору зручності використання та точності прогнозування, що робить їх дуже придатними для різноманітних завдань з пошуку ліків. LiveDesign Шредінгера продемонстрував високу точність, але потребував значних обчислювальних ресурсів. BenevolentAI і Exscientia виявили обмеження в зручності використання та точності, зокрема в прогнозуванні токсичності, що свідчить про необхідність подальшого розвитку. Cyclica була відзначена своєю простотою використання, але була менш ефективною щодо масштабованості та використання ресурсів.

Висновки. Отримані дані надають цінну інформацію для дослідників і фармацевтичних компаній, керуючи інтеграцією та застосуванням рішень на основі штучного інтелекту для прискорення процесу відкриття ліків і підвищення рівня успішності розробки нових терапевтичних препаратів. Майбутні дослідження повинні бути зосереджені на розширенні оцінки, щоб включити більше різноманітних сценаріїв і реальних програм для подальшої перевірки та вдосконалення цих інструментів

Біографії авторів

Ірина Володимирівна Ніженковська, Національний медичний університет імені Богомольця

Доктор медичних наук, професор

Кафедра хімії ліків та лікарської токсикології

Тетяна Дмитрівна Рева, Національний медичний університет імені Богомольця

Доктор педагогічних наук, професор

Кафедра аналітичної, фізичної та колоїдної хімії

Олена Володимирівна Кузнецова, Національний медичний університет імені Богомольця

Кандидат біологічних наук, доцент

Кафедра хімії ліків та лікарської токсикології

Олексій Ігорович Ніженковський, Національний медичний університет імені Богомольця

Кандидат медичних наук

 Кафедра аптечної та промислової технології ліків

Оксана Миколаївна Чхало, Національний медичний університет імені Богомольця

Кандидат педагогічних наук, доцент

Кафедра аналітичної, фізичної та колоїдної хімії

Посилання

  1. Austin, D., Hayford, T. (2021). Research and development in the pharmaceutical industry. CBO. Available at: https://www.cbo.gov/publication/57126
  2. Schuhmacher, A., Hinder, M., von Stegmann und Stein, A., Hartl, D., Gassmann, O. (2023). Analysis of pharma R&D productivity – a new perspective needed. Drug Discovery Today, 28 (10), 103726. https://doi.org/10.1016/j.drudis.2023.103726
  3. Blanco-González, A., Cabezón, A., Seco-González, A., Conde-Torres, D., Antelo-Riveiro, P., Piñeiro, Á., Garcia-Fandino, R. (2023). The Role of AI in Drug Discovery: Challenges, Opportunities, and Strategies. Pharmaceuticals, 16 (6), 891. https://doi.org/10.3390/ph16060891
  4. Paul, D., Sanap, G., Shenoy, S., Kalyane, D., Kalia, K., Tekade, R. K. (2021). Artificial intelligence in drug discovery and development. Drug Discovery Today, 26 (1), 80–93. https://doi.org/10.1016/j.drudis.2020.10.010
  5. Xu, Y., Liu, X., Cao, X., Huang, C., Liu, E., Qian, S. et al. (2021). Artificial intelligence: A powerful paradigm for scientific research. The Innovation, 2 (4), 100179. https://doi.org/10.1016/j.xinn.2021.100179
  6. Singh, S., Kumar, R., Payra, S., Singh, S. K. (2023). Artificial Intelligence and Machine Learning in Pharmacological Research: Bridging the Gap Between Data and Drug Discovery. Cureus. https://doi.org/10.7759/cureus.44359
  7. Kim, H., Kim, E., Lee, I., Bae, B., Park, M., Nam, H. (2020). Artificial Intelligence in Drug Discovery: A Comprehensive Review of Data-driven and Machine Learning Approaches. Biotechnology and Bioprocess Engineering, 25 (6), 895–930. https://doi.org/10.1007/s12257-020-0049-y
  8. Ghislat, G., Hernandez-Hernandez, S., Piyawajanusorn, C., Ballester, P. J. (2024). Data-centric challenges with the application and adoption of artificial intelligence for drug discovery. Expert Opinion on Drug Discovery, 19(11), 1297–1307. https://doi.org/10.1080/17460441.2024.2403639
  9. Kolluri, S., Lin, J., Liu, R., Zhang, Y., Zhang, W. (2022). Machine Learning and Artificial Intelligence in Pharmaceutical Research and Development: a Review. The AAPS Journal, 24 (1). https://doi.org/10.1208/s12248-021-00644-3
  10. Lavecchia, A. (2015). Machine-learning approaches in drug discovery: methods and applications. Drug Discovery Today, 20 (3), 318–331. https://doi.org/10.1016/j.drudis.2014.10.012
  11. Gomes, J., Ramsundar, B., Feinberg, E. N., Pande, V. S. (2017). Atomic convolutional networks for predicting protein-ligand binding affinity. https://doi.org/10.48550/arXiv.1703.10603
  12. Zhavoronkov, A., Ivanenkov, Y. A., Aliper, A., Veselov, M. S., Aladinskiy, V. A., Aladinskaya, A. V. et al. (2019). Deep learning enables rapid identification of potent DDR1 kinase inhibitors. Nature Biotechnology, 37 (9), 1038–1040. https://doi.org/10.1038/s41587-019-0224-x
  13. Stokes, J. M., Yang, K., Swanson, K., Jin, W., Cubillos-Ruiz, A., Donghia, N. M. et al. (2020). A deep learning approach to antibiotic discovery. Cell, 181 (2), 475–483. https://doi.org/10.1016/j.cell.2020.01.021
  14. Vamathevan, J., Clark, D., Czodrowski, P., Dunham, I., Ferran, E., Lee, G. et al. (2019). Applications of machine learning in drug discovery and development. Nature Reviews Drug Discovery, 18 (6), 463–477. https://doi.org/10.1038/s41573-019-0024-5
  15. Libbrecht, M. W., Noble, W. S. (2015). Machine learning applications in genetics and genomics. Nature Reviews Genetics, 16 (6), 321–332. https://doi.org/10.1038/nrg3920
  16. Zhou, J., Troyanskaya, O. G. (2015). Predicting effects of noncoding variants with deep learning–based sequence model. Nature Methods, 12 (10), 931–934. https://doi.org/10.1038/nmeth.3547
  17. Tiwary, S., Levy, R., Gutenbrunner, P., Salinas Soto, F., Palaniappan, K. K., Deming, L. et al. (2019). High-quality MS/MS spectrum prediction for data-dependent and data-independent acquisition data analysis. Nature Methods, 16 (6), 519–525. https://doi.org/10.1038/s41592-019-0427-6
  18. Casadio, R., Martelli, P. L., Savojardo, C. (2022). Machine learning solutions for predicting protein–protein interactions. WIREs Computational Molecular Science, 12(6). https://doi.org/10.1002/wcms.1618
  19. Kourou, K., Exarchos, T. P., Exarchos, K. P., Karamouzis, M. V., Fotiadis, D. I. (2015). Machine learning applications in cancer prognosis and prediction. Computational and Structural Biotechnology Journal, 13, 8–17. https://doi.org/10.1016/j.csbj.2014.11.005
  20. Esteva, A., Kuprel, B., Novoa, R. A., Ko, J., Swetter, S. M., Blau, H. M., Thrun, S. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542 (7639), 115–118. https://doi.org/10.1038/nature21056
  21. Chen, H., Engkvist, O., Wang, Y., Olivecrona, M., Blaschke, T. (2018). The rise of deep learning in drug discovery. Drug Discovery Today, 23 (6), 1241–1250. https://doi.org/10.1016/j.drudis.2018.01.039
  22. Wallach, I., Dzamba, M., Heifets, A. (2015). AtomNet: A deep convolutional neural network for bioactivity prediction in structure-based drug discovery. arXiv preprint arXiv:1510.02855. https://doi.org/10.48550/arXiv.1510.02855
  23. Xu, Y., Dai, Z., Chen, F., Gao, S., Pei, J., Lai, L. (2015). Deep Learning for Drug-Induced Liver Injury. Journal of Chemical Information and Modeling, 55 (10), 2085–2093. https://doi.org/10.1021/acs.jcim.5b00238
  24. Klambauer, G., Unterthiner, T., Mayr, A., Hochreiter, S. (2017). DeepTox: Toxicity prediction using deep learning. Toxicology Letters, 280, S69. https://doi.org/10.1016/j.toxlet.2017.07.175
  25. Cavasotto, C. N., Scardino, V. (2022). Machine Learning Toxicity Prediction: Latest Advances by Toxicity End Point. ACS Omega, 7(51), 47536–47546. https://doi.org/10.1021/acsomega.2c05693
  26. Nam, S., Kim, D., Jung, W., Zhu, Y. (2022). Understanding the Research Landscape of Deep Learning in Biomedical Science: Scientometric Analysis. Journal of Medical Internet Research, 24 (4), e28114. https://doi.org/10.2196/28114
  27. Kavalci, E., Hartshorn, A. (2023). Improving clinical trial design using interpretable machine learning based prediction of early trial termination. Scientific Reports, 13 (1). https://doi.org/10.1038/s41598-023-27416-7
  28. Esteva, A., Chou, K., Yeung, S., Naik, N., Madani, A., Mottaghi, A., Liu, Y., Topol, E., Dean, J., Socher, R. (2021). Deep learning-enabled medical computer vision. Npj Digital Medicine, 4 (1). https://doi.org/10.1038/s41746-020-00376-2
  29. Ghassemi, M., Naumann, T., Schulam, P., Beam, A. L., Chen, I. Y., Ranganath, R. (2020). A Review of Challenges and Opportunities in Machine Learning for Health. AMIA Joint Summits on Translational Science proceedings, 191–200. Available at: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7233077/pdf/3268580.pdf
  30. Ghassemi, M., Naumann, T., Schulam, P., Beam, A. L., Chen, I. Y., Ranganath, R. (2019). Practical guidance on artificial intelligence for health-care data. The Lancet Digital Health, 1 (4), e157–e159. https://doi.org/10.1016/s2589-7500(19)30084-6
  31. Ghosh, S., Das, N., Chakraborty, S., Chakrabarti, A. (2020). Understanding deep learning techniques for image segmentation. arXivLabs. https://doi.org/10.48550/arXiv.1907.06119
  32. Obermeyer, Z., Powers, B., Vogeli, C., Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366 (6464), 447–453. https://doi.org/10.1126/science.aax2342
  33. Jiménez-Luna, J., Grisoni, F., Weskamp, N., Schneider, G. (2021). Artificial intelligence in drug discovery: recent advances and future perspectives. Expert Opinion on Drug Discovery, 16 (9), 949–959. https://doi.org/10.1080/17460441.2021.1909567
  34. Lundberg, S. M., Lee, S. I. (2017). A unified approach to interpreting model predictions. Proceedings of the 31st International Conference on Neural Information Processing Systems, 4768–4777. https://doi.org/10.48550/arXiv.1705.07874
  35. Ribeiro, M. T., Singh, S., Guestrin, C. (2016). “Why should I trust you?” Explaining the predictions of any classifier. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 1135–1144. https://doi.org/10.1145/2939672.2939778
  36. Bauer, C. (2020). Multi-Method Evaluation: Leveraging Multiple Methods to Answer What You Were Looking For. Proceedings of the 2020 Conference on Human Information Interaction and Retrieval (CHIIR '20). Association for Computing Machinery, 472–474. https://doi.org/10.1145/3343413.3378015
  37. Pharma.AI. Insilico Medicine’s. Available at: https://pharma.ai/
  38. Atomwise. Available at: https://www.atomwise.com/
  39. Schrödinger’s. LiveDesign. Available at: https://www.schrodinger.com/
  40. Exscientia. Available at: https://www.exscientia.com/
  41. Benevolent AI. Available at: https://www.benevolent.com//
  42. Cyclica. Available at: https://cyclicarx.com/?lang=en
  43. The jamovi project (2024). jamovi (Version 2.5) [Computer Software]. Available at: https://www.jamovi.org/
Порівняльне дослідження безкодових додатків на основі штучного інтелекту для відкриття та розробки ліків

##submission.downloads##

Опубліковано

2024-12-30

Як цитувати

Ніженковська, І. В., Рева, Т. Д., Кузнецова, О. В., Ніженковський, О. І., & Чхало, О. М. (2024). Порівняльне дослідження безкодових додатків на основі штучного інтелекту для відкриття та розробки ліків. ScienceRise: Pharmaceutical Science, (6(52), 80–89. https://doi.org/10.15587/2519-4852.2024.318920

Номер

№ 6(52) (2024)

Розділ

Фармацевтичні науки

Ліцензія

Авторське право (c) 2024 Iryna Nizhenkovska, Tetyana Reva, Olena Kuznetsova, Oleksii Nizhenkovskyi, Oksana Chkhalo

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Наше видання використовує положення про авторські права Creative Commons CC BY для журналів відкритого доступу.