Generative Molecular Design for Senescence-Associated Secretory Phenotype (SASP) Reversal: A REINVENT4 Pipeline Trained on Real LINCS L1000 Transcriptomic Data
Deze studie presenteert een REINVENT4-pipeline getraind op echte LINCS L1000 transcriptomische data die succesvol nieuwe, medicijnachtige moleculen genereert die voorspeld worden het senescence-geassocieerde secretoire fenotype (SASP) te reverseren, terwijl tegelijkertijd een kritieke scaffold-collapse faalmodus wordt geïdentificeerd en opgelost door middel van diversiteitsfiltering en beloningsafstemming.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
Naarmate we ouder worden, vervagen onze cellen niet simpelweg; veel van hen gaan in een staat van permanente pauze. Ze stoppen met delen maar weigeren te sterven, terwijl ze als stille, koppige huurders in het lichaam blijven rondhangen. Hoewel deze slapende cellen in kleine aantallen onschadelijk zijn, hopen ze zich in de loop van de tijd op en beginnen ze een toxische cocktail van ontstekingssignalen uit te scheiden. Deze uitscheiding, bekend als het senescence-associated secretory phenotype, of SASP, werkt als een langzaam brandend vuur dat het gezonde weefsel eromheen beschadigt en zowel het verouderingsproces als leeftjesgerelateerde ziekten aanjaagt. Wetenschappers zoeken al lang naar een manier om deze schade te herstellen, in de hoop een molecuul te vinden dat deze ontstekingssignalen kan dempen en het evenwicht van het lichaam kan herstellen. De uitdaging is het vinden van de juiste chemische sleutel om dit specifieke probleem op te lossen zonder elders schade aan te richten.
Een onderzoeker aan de Ege Universiteit heeft een gedurfde stap gezet richting het oplossen van dit puzzelstukje door een computer te leren om nieuwe moleculen vanaf nul te ontwerpen. In plaats van duizenden bestaande chemicaliën in een laboratorium te testen, gebruikte zij een krachtig kunstmatig intelligentiesysteem om geheel nieuwe structuren te bedenlijven en te bouwen. Het doel was om verbindingen te creëren die specifiek het toxische kenmerk van deze verouderende cellen kunnen omkeren. Om deze digitale architect te trainen, voerde de onderzoeker een enorme bibliotheek met real-world data in de computer: de effecten van meer dan 21.000 verschillende verbindingen op menselijke cellen, vastgelegd in een publieke database genaamd LINCS. Zij richtte de aandacht van de computer op een specifieke lijst van 106 genen die fungeren als een vingerafdruk voor cellulaire veroudering. De taak van de computer was om de relatie te leren tussen de vorm van een molecuul en het vermogen om het volume van deze verouderingsgenen omlaag te draaien.
Het proces begon met een aanzienlijke hindernis. De onderzoeker probeerde eerst een bestaand, vooraf getraind computermodel te gebruiken dat bedoeld was om te voorspellen hoe chemicaliën genen beïnvloeden. Echter, toen zij dit model testte tegen bekende medicijnen die al beroemd zijn om het bestrijden van veroudering, faalde het volledig. Het model voorspelde onjuist dat deze helpende medicijnen de veroudering zouden verergeren. Dit falen was op zichzelf een cruciale ontdekking; het toonde aan dat het vertrouwen op een generiek, kant-en-klaar hulpmiddel wetenschappers het verkeerde pad op kan leiden. In plaats daarvan bouwde de onderzoeker haar eigen aangepaste voorspellingsinstrument, of "orakel", dat direct getraind was op de echte experimentele data. Dit nieuwe instrument leerde welke chemische kenmerken geassocieerd waren met het omkeren van de verouderingshandtekening, waardoor het een betrouwbare gids werd voor het ontwerpproces.
Met deze aangepaste gids op zak, lanceerde de onderzoeker een reinforcement learning-pipeline, een methode waarbij de computer miljoenen kandidaat-moleculen genereert en leert van haar eigen successen en fouten. Het systeem werd beloond voor het creëren van moleculen die leken op echte medicijnen, chemisch nieuw waren en in een laboratorium gesynthetiseerd konden worden, terwijl ze ook hoog scoorden op hun vermogen om de verouderingshandtekening om te keren. In de eerste poging liep de computer in een val. Het ontdekte dat een zeer eenvoudige, veelvoorkomende chemische structuur gemakkelijk te genereren was en een redelijke score kreeg, waardoor de computer duizenden bijna identieke kopieën van deze enkele structuur begon te produceren. Dit staat bekend als "mode collapse", waarbij het systeem stopt met exploreren en vast komt te zitten op één makkelijk antwoord. De onderzoeker besefte deze fout en paste de regels van het systeem aan, waarbij zij de eisen voor diversiteit aanscherpte en de druk om onmiddellijk een perfecte score te vinden verlaagde.
In de tweede, gecorrigeerde run, verkende de computer een veel breder landschap van chemische mogelijkheden. Het genereerde meer dan 92.000 unieke, geldige moleculen, waarbij de overgrote meerderheid beschikte over een duidelijke chemische ruggengraat in plaats van hetzelfde patroon te herhalen. De resultaten waren veelbelovend: de gemiddelde score van deze nieuwe, door de computer ontworpen moleculen lag aanzienlijk hoger dan het gemiddelde van de gehele bibliotheek van 21.000 echte verbindingen die voor de training werden gebruikt. Dit suggereert dat het systeem niet alleen bestaande medicijnen heeft memoriseerd, maar daadwerkelijk nieuwe chemische patronen heeft ontdekt die de data suggereerden effectief te zijn. Onder de topkandidaten verscheen een specifiek structureel motief — een ringvormige vorm met aangehechte chemische groepen — frequent, terwijl deze specifieke vorm bijna volledig afwezig was in de oorspronkelijke trainingsbibliotheek. Dit geeft aan dat het systeem een werkelijk nieuwe richting voor medicijnontwerp vond in plaats van simpelweg te kopiëren wat het eerder had gezien.
De studie concludeert dat het mogelijk is om publieke data en open-source software te gebruiken om nieuwe moleculen te ontwerpen die zich richten op de specifieke biologie van veroudering. De onderzoeker heeft een volledige, reproduceerbare pipeline verstrekt die anderen kunnen gebruiken om soortgelijke problemen aan te pakken. Zij merkt echter voorzichtig op dat dit virtuele kandidaten zijn; er is nog geen fysieke synthese of laboratoriumtesten uitgevoerd. De moleculen bestaan alleen als computermodellen, en hun vermogen om veroudering in levende organismen daadwerkelijk om te keren, moet nog bewezen worden. Het werk dient als een bewijs van concept, dat aantoont dat door het combineren van echte biologische data met generatief ontwerp, wetenschappers de enorme chemische ruimte kunnen navigeren om nieuwe oplossingen voor complexe ziekten te vinden, mits zij waakzaam blijven voor de valkuilen van geautomatiseerd ontwerp.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.