BioForm-LM: Generative Design of Biologics Formulations via In-Context Learning and Physics-Informed Decoding
BioForm-LM ist ein neuartiges generatives System, das mechanistische Simulation, In-Context-Few-Shot-Learning und physikinformierte Dekodierung kombiniert, um de novo Biologika-Formulierungen automatisch zu entwerfen und dabei traditionelle Ranking-Methoden sowie das Zufalls-Sampling auf realen Benchmarks signifikant übertrifft.
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
Die Herstellung eines lebensrettenden Proteindrugs ist nur die halbe Miete; die andere Hälfte besteht darin, es stabil genug zu halten, um im Regal, in einer Spritze oder im menschlichen Körper zu überleben. Biologika, zu denen Antikörper und andere komplexe Proteine gehören, sind empfindliche Moleküle, die leicht verklumpen oder ihre Form verlieren können, wenn die Flüssigkeit, in der sie gelöst sind, nicht perfekt ausbalanciert ist. Jahrzehntelang war das Finden dieses perfekten Gleichgewichts ein langsamer, manueller Prozess von Versuch und Irrtum. Wissenschaftler mischen ein Protein mit verschiedenen Puffern, Zuckern und Salzen und warten dann Wochen, um zu sehen, ob es standhält. Dieser Engpass ist teuer und begrenzt die Geschwindigkeit, mit der neue Medikamente Patienten erreichen können, insbesondere in Regionen ohne zuverlässige Kühlung. Die Kernherausforderung besteht darin, dass Wissenschaftler zwar die grundlegenden Regeln kennen, wie Proteine mit ihrer Umgebung interagieren, aber nur sehr wenige reale Daten verfügbar sind, um Computer zu lehren, wie sie die richtige Mischung für einen neuen Wirkstoff vorhersagen können. Die meisten bestehenden Computerwerkzeuge können lediglich eine Liste von Mischungen bewerten, die Menschen bereits vorgeschlagen haben; keines kann eine neue, stabile Mischung von Grund auf neu erfinden.
Ein Forscher hat nun ein neues System namens BioForm-LM vorgestellt, das versucht, dieses Problem zu lösen, indem es einen Computer lehrt, sich stabile Wirkstoffmischungen vorzustellen. Anstatt sich auf riesige Bibliotheken vergangener Experimente zu verlassen, die für die meisten neuen Proteine nicht existieren, nutzt das System eine dreiteilige Strategie. Erstens führt es eine schnelle, physikbasierte Simulation durch, die simuliert, wie sich Proteine in verschiedenen Flüssigkeiten verhalten. Dieser Simulator genert eine Million synthetische Beispiele von Proteinmischungen und deren Stabilität, wodurch der Computer die grundlegenden Gesetze der Chemie und Physik lernt. Zweitens nutzt das System eine Art künstliche Intelligenz, die aus nur wenigen Beispielen lernen kann. Wenn ein Wissenschaftler ein neues Protein stabilisieren möchte, gibt er dem Computer nur drei bis zehn reale Messwerte dieses spezifischen Proteins. Das System nutzt diese wenigen Datenpunkte, um sein Verständnis sofort anzupassen, ohne neu trainiert werden zu müssen. Schließlich überprüft ein spezialisierter Prüfer, der nach denselben physikalischen Regeln trainiert wurde, die Vorschläge des Computers und wählt diejenigen aus, die in der realen Welt am wahrscheinlichsten funktionieren werden.
Der Forscher testete diesen Ansatz an einer kleinen, sorgfältig kuratierten Sammlung von achtzehn realen Arzneimittelformulierungen, die in der wissenschaftlichen Literatur zu finden sind. Die Ergebnisse zeigten, dass das System neue, lebensfähige Mischrezepturen generieren konnte, die signifikant besser als Zufallstreffer waren. In einem spezifischen Fall, der ein kleines Antikörperfragment betraf, erreichte das System eine perfekte Übereinstimmung zwischen seinen Vorhersagen und den tatsächlichen experimentellen Ergebnissen, wobei es nur drei reale Datenpunkte zur Steuerung nutte. Im Durchschnitt untersuchte das System einen chemischen Raum, der fast fünfmal größer war als das, was eine Zufallssuche abdecken würde, was darauf hindeutet, dass es echte Muster darüber gelernt hat, wie man Proteine stabilisiert, anstatt nur alte Daten auswendig zu lernen. Das System zeigte auch, dass es in der Lage ist, sich an verschiedene Arten von Proteinen anzupassen, indem es seine Strategie je nach dem spezifischen Molekül ändert, das es zu retten versucht.
Der Autor weist jedoch vorsichtig darauf hin, dass es sich bei diesen Ergebnissen derzeit um computergestützte Hypothesen handelt, nicht um fertige Medikamente. Das System wurde noch nicht in einem Nasslabor getestet, um zu bestätigen, dass die generierten Mischungen in einem physischen Reagenzglas tatsächlich funktionieren. Der verwendete Datensatz war sehr klein und enthielt nur achtzehn Datensätze, was die Breite der heute anwendbaren Erkenntnisse einschränkt. Der Forscher betont, dass sein Werkzeug dazu entwickelt wurde, Kandidaten vorzuschlagen, die Wissenschaftler testen können, und nicht dazu gedacht ist, die Laborarbeit vollständig zu ersetzen. Er sieht dies als einen ersten Schritt in Richtung einer Zukunft, in der Computer in der Lage sind, Tausende von möglichen Mischungen schnell auf eine Handvoll der vielversprechendsten zu reduzieren und so monatelange manuelle Screenings zu sparen. Während das System in der Simulation großes Potenzial zeigte, wird der ultimative Beweis durch physische Experimente erbracht werden, die verifizieren, ob diese computergenerierten Rezepte tatsächlich in der Lage sind, fragile Proteine über Jahre hinweg stabil zu halten.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.