Inverse design of chemical perturbations for desired cellular state transitions with GEMGen
Het artikel introduceert GEMGen, een op grote taalmodellen gebaseerd framework dat het inverse design-probleem in de perturbatiebiologie oplost door nieuwe chemische structuren te genereren om gewenste cellulaire staatsovergangen te induceren, waarbij het succesvol potente antifibrotische verbindingen heeft geïdentificeerd en gevalideerd in diermodellen.
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
Wetenschappers proberen al lang te begrijpen hoe ze de machinerie van het leven kunnen aansturen. Cellen zijn niet statisch; het zijn dynamische systemen die kunnen verschuiven van een gezonde staat naar een zieke staat, of van een rusttoestand naar een actieve toestand, als reactie op diverse signalen. Decennialang hebben onderzoekers deze verschuivingen in kaart gebracht door te observeren wat er gebeurt wanneer ze een cel een specifieke chemische of genetische duw geven. Deze voorwaartse benadering — een verandering toepassen en het resultaat afwachten — is ongelooflijk succesvol geweest en heeft enorme bibliotheken aan data gecreëerd die ons vertellen hoe cellen reageren op duizenden verschillende stoffen. Echter, een moeilijkere uitdaging blijft: achteruit werken. Als een onderzoeker precies weet hoe een cel weer gezond moet worden, kan hij dan de specifieke chemische stof vinden of creëren die die verandering zal afdwingen? Dit is het inverse ontwerpprobleem, een zoektocht waarbij men begint met een gewenst resultaat en terugwerkt om het instrument te ontdekken dat dit resultaat mogelijk maakt.
Een team van onderzoekers heeft deze uitdaging nu aangepakt met een nieuw kunstmatige intelligentie-framework genaamd GEMGen. In plaats van simpelweg bestaande lijsten met chemicaliën te scannen om te zien welke zouden kunnen werken, leert dit systeem om nieuwe te verzinnen. De onderzoekers trainden het model op een enorme collectie data die chemische verbindingen koppelt aan de specifieke veranderingen die zij veroorzaken in de genetische activiteit van een cel. In deze context verwijst genetische activiteit naar de duizenden genen binnen een cel die aan- of uitgezet worden, wat een unieke handtekening vormt die de staat van de cel definieert. Het model leerde deze handtekeningen niet te lezen als complexe getallen, maar als geordende lijsten van genen, vergelijkbaar met het lezen van een set instructies. Vervolgens leerde het die instructies te vertalen naar de chemische structuren van moleculen die het gewenste effect konden produceren.
De kracht van deze aanpak ligt in het vermogen om verder te kijken dan wat al bekend is. Traditionele medicijnontwikkeling houdt vaak in dat miljoenen bestaande chemicaliën worden getest, in de hoop een match te vinden. GEMGen genereert daarentegen geheel nieuwe moleculaire structuren vanuit het niets. In een reeks tests werd het systeem gevraagd om chemicaliën te vinden die specifieke genetische veranderingen konden omkeren. Wanneer het de genetische handtekening van een bekend medicijn kreeg, genereerde het model succesvol nieuwe moleculen die structureel vergelijkbaar waren met het oorspronkelijke medicijn. Nog indrukwekkender was dat het moleculen vond die chemisch verschillend waren, maar werkten via hetzelfde biologische mechanisme. Dit suggereert dat het systeem de onderliggende logica heeft geleerd van hoe chemicaliën cellen beïnvloeden, in plaats van slechts een lijst met bekende paren te hebben onthouden.
Om te waarborgen dat deze door de computer gegenereerde ideeën niet slechts theoretisch waren, gingen de onderzoekers naar het laboratorium. Ze testten het systeem eerst op een genetisch pad dat betrokken is bij de respons van het lichaam op stress. Het model kreeg de genetische handtekening van een cel waarin een specifiek beschermend gen was uitgeschakeld. Het stelde een lijst met nieuwe chemicaliën voor om de activiteit van dat gen te herstellen. Onder de kandidaten kozen de onderzoekers een molecuul genaamd flavokawain C, dat voorheen niet bekend stond om dit specifieke pad te activeren. Toen ze het in menselijke cellen testten, zette het molecuul de beschermende genen succesvol aan, wat bevestigde dat de AI een functionele oplossing had geïdentificeerd.
De meest significante test betrof een ziekte genaamd fibrose, een conditie waarbij gezond weefsel littekenvorming en verstijving ondergaat, wat vaak leidt tot orgaanfalen. De onderzoekers definieerden het gewenste resultaat als een terugkeer naar een gezonde, niet-verharde staat. Ze vroegen GEMGen om chemicalen te ontwerpen die de genetische handtekening van fibrose konden omkeren. Het systeem genereerde een lijst met kandidaten, waaronder enkele die volledig nieuw waren voor de wetenschap. Het team synthetiseerde zeventien van deze nieuwe moleculen vanaf het begin. In celexperimenten verminderden acht van hen succesvol de markers van littekenvorming, een succespercentage dat opmerkelijk hoog is voor nieuwe chemische ontdekkingen.
Eén van deze nieuwe moleculen, genaamd GEMGen-010, werd geselecteerd voor verdere studie. De onderzoekers testten het in muizen bij wie leverfibrose was opgewekt. De behandeling werd dagelijks gedurende twee weken toegediend. De resultaten toonden een duidelijke vermindering van de littekenvorming in het leverweefsel. De behandelde muizen hadden lagere niveaus van leverschade-markers in hun bloed en vertoonden een omkering van de genetische veranderingen die met fibrose gepaard gaan. Cruciaal was dat dit molecuul niet was aangepast of geoptimaliseerd na de initiële generatie; het werkte precies zoals de AI het had ontworpen.
Dit werk demonstreert dat het mogelijk is om kunstmatige intelligentie te gebruiken om chemische interventies te ontwerpen die niet slechts variaties zijn op bestaande medicijnen, maar geheel nieuwe structuren die in staat zijn tot specifieke biologische resultaten. Door de gewenste staat van een cel te behandelen als een set instructies, kan het systeem door de enorme ruimte van mogelijke chemische structuren navigeren om oplossingen te vinden die nog nooit eerder zijn gezien. Hoewel de studie zich richtte op specifieke condities zoals leverfibrose en stressreacties, suggereert de methode een nieuwe weg voor de geneeskunde: een weg waarbij het doel eerst wordt gedefinieerd, en de instrumenten om dat doel te bereiken worden uitgevonden om bij dat doel te passen.
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.