Generative Molecular Design for Senescence-Associated Secretory Phenotype (SASP) Reversal: A REINVENT4 Pipeline Trained on Real LINCS L1000 Transcriptomic Data
Diese Studie präsentiert eine REINVENT4-Pipeline, die auf realen LINCS L1000-transkriptomischen Daten trainiert wurde und erfolgreich neuartige, arzneistoffähnliche Moleküle generiert, die vorhersagen, das seneszenz-assoziierte sekretorische Phänotyp-Profil (SASP) umzukehren, während sie gleichzeitig einen kritischen Scaffold-Collapse-Fehlermodus durch Diversitätsfilterung und Reward-Tuning identifiziert und behebt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Wenn wir älter werden, verschwinden unsere Zellen nicht einfach; viele von ihnen treten in einen Zustand dauerhafter Ruhe ein. Sie hören auf sich zu teilen, weigern sich aber zu sterben und verweilen wie stille, hartnäckige Mieter im Körper. Während diese ruhenden Zellen in kleinen Mengen harmlos sind, häufen sie sich im Laufe der Zeit an und beginnen, einen toxischen Cocktail aus Entzündungssignalen zu sezernieren. Diese Sekretion, bekannt als seneszenz-assoziierter sekretorischer Phänotyp oder SASP, wirkt wie ein langsam brennendes Feuer, das das umliegende gesunde Gewebe schädigt und sowohl den Alterungsprozess als auch altersbedingte Krankheiten vorantreibt. Wissenschaftler suchen seit langem nach einem Weg, diesen Schaden umzukehren, in der Hoffnung, ein Molekül zu finden, das diese Entzündungssignale zum Schweigen bringen und das Gleichgewicht des Körpers wiederherstellen kann. Die Herausforderung bestand darin, den richtigen chemischen Schlüssel zu finden, um dieses spezifische Problem zu lösen, ohne an anderer Stelle Schaden anzurichten.
Ein Forscher der Ege-Universität hat einen mutigen Schritt zur Lösung dieses Rätsels unternommen, indem er einem Computer beibrachte, neue Moleküle von Grund auf neu zu entwerfen. Anstatt Tausende von existierenden Chemikalien in einem Labor zu testen, nutzte er ein leistungsfähiges System der künstlichen Intelligenz, um völlig neue Strukturen zu imaginieren und aufzubauen. Das Ziel war es, Verbindungen zu schaffen, die in der Lage sind, die toxische Signatur dieser alternden Zellen gezielt umzukehren. Um diesen digitalen Architekten zu trainieren, fütterte der Forscher ihn mit einer massiven Bibliothek aus Realdaten: den Auswirkungen von über 21.000 verschiedenen Verbindungen auf menschliche Zellen, die in einer öffentlichen Datenbank namens LINCS gespeichert sind. Er konzentrierte die Aufmerksamkeit des Computers auf eine spezifische Liste von 106 Genen, die als Fingerabdruck der zellulären Alterung fungieren. Die Aufgabe des Computers war es, die Beziehung zwischen der Form eines Moleküls und seiner Fähigkeit zu erlernen, die Lautstärke dieser alternden Gene herunterzuregeln.
Der Prozess begann mit einer erheblichen Hürde. Der Forscher versuchte zunächst, ein bestehendes, vortrainiertes Computermodell zu verwenden, das dazu bestimmt war, vorherzusagen, wie Chemikalien Gene beeinflussen. Doch als er dieses Modell an bereits berühmten Medikamenten testete, die gegen das Altern kämpfen, versagte es vollkommen. Das Modell sagte fälschlicherweise voraus, dass diese hilfreichen Medikamente das Altern verschlimmern würden. Dieses Scheitern war an sich schon eine entscheidende Entdeckung; es zeigte, dass das Vertrauen auf ein generisches, vorgefertigtes Werkzeug Wissenschaftler auf einen falschen Weg führen kann. Stattdessen baute der Forscher sein eigenes maßgeschneidertes Vorhersage-Werkzeug, oder „Orakel“, das direkt auf den realen experimentellen Daten trainiert wurde. Dieses neue Werkzeug lernte zu erkennen, welche chemischen Merkmale mit der Umkehrung der Alterungssignatur assoziiert waren, und schuf so einen zuverlässigen Leitfaden für den Designprozess.
Mit diesem maßgeschneiderten Leitfaden in der Hand startete der Forscher eine Reinforcement-Learning-Pipeline – eine Methode, bei der der Computer Millionen von Kandidatenmolekülen generiert und aus seinen eigenen Erfolgen und Misserfolgen lernt. Das System wurde belohnt, wenn es Moleküle erzeugte, die wie echte Medikamente aussah, chemisch neuartig waren und im Labor synthetisiert werden konnten, während es gleichzeitig hoch bewertet wurde in ihrer Fähigkeit, die Alterungssignatur umzukehören. Beim ersten Versuch geriet der Computer in eine Falle. Er entdeckte, dass eine sehr einfache, verbreitete chemische Struktur leicht zu generieren war und eine akzeptable Punktzahl erhielt, woraufhin er begann, tausende fast identische Kopien dieser einzelnen Struktur zu produzieren. Dies ist als „Mode Collapse“ bekannt, ein Zustand, in dem das System aufhört zu explorieren und bei einer einfachen Antwort stecken bleibt. Der Forscher erkannte diesen Fehler und passte die Regeln des Systems an, indem er die Anforderungen an die Diversität verschärfte und den Druck, sofort eine perfekte Punktzahl zu finden, senkte.
Im zweiten, korrigierten Durchlauf explorierte der Computer eine viel breitere Landschaft chemischer Möglichkeiten. Er generierte über 92.000 einzigartige, valide Moleküle, wobei die große Mehrheit über distinkte chemische Grundgerüste verfügte, anstatt immer wieder dasselbe Muster zu wiederholen. Die Ergebnisse waren vielversprechend: Die durchschnittliche Punktzahl dieser neuen, computergenerierten Moleküle war signifikant höher als der Durchschnitt der gesamten Bibliothek von 21.000 realen Verbindungen, die für das Training verwendet wurden. Dies deutet darauf hin, dass das System nicht nur existierende Medikamente auswendig gelernt, sondern tatsächlich neue chemische Muster entdeckt hat, die laut den Daten effektiv wären. Unter den Top-Kandidaten tauchte ein spezifisches Strukturmotiv – eine ringförmige Gestalt mit angehängten chemischen Gruppen – häufig auf, obwohl diese spezifische Form in der ursprünglichen Trainingsbibliothek fast vollständig fehlte. Dies zeigt, dass das System eine echte neue Richtung für das Medikamentendesign gefunden hat, anstatt lediglich das zu kopieren, was es zuvor gesehen hatte.
Die Studie kommt zu dem Schluss, dass es möglich ist, öffentliche Daten und Open-Source-Software zu nutzen, um neue Moleküle zu entwerfen, die gezielt die Biologie des Alterns angreifen. Der Forscher stellt eine vollständige, reproduzierbare Pipeline zur Verfügung, die andere nutzen können, um ähnliche Probleme anzugehen. Er weist jedoch vorsichtig darauf hin, dass es sich hierbei um virtuelle Kandidaten handelt; eine physische Synthese oder Labortests wurden noch nicht durchgeführt. Die Moleküle existieren nur als Computermodelle, und ihre tatsächliche Fähigkeit, das Altern in lebenden Organismen umzukehren, muss erst noch bewiesen werden. Die Arbeit dient als Proof-of-Concept und demonstriert, dass man durch die Kombination von realen biologischen Daten mit generativem Design den riesigen chemischen Raum navigieren kann, um neuartige Lösungen für komplexe Krankheiten zu finden – vorausgesetzt, man bleibt gegenüber den Fallstricken des automatisierten Designs wachsam.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.