Алгоритм машинного обучения идентифицирует 3 антивозрастных химических вещества
Исследователи использовали модель машинного обучения, чтобы определить три соединения, которые могут бороться со старением. Они говорят, что их подход может быть эффективным способом выявления новых лекарств, особенно для лечения сложных заболеваний.
Деление клеток необходимо для роста нашего тела и обновления тканей. Клеточное старение описывает явление, при котором клетки навсегда перестают делиться, но остаются в организме, вызывая повреждение тканей и старение органов и систем организма.
Обычно стареющие клетки удаляются из организма иммунной системой. Но с возрастом иммунная система становится менее эффективной в уничтожении этих клеток, и их количество увеличивается. Увеличение стареющих клеток было связано с такими заболеваниями, как рак, болезнь Альцгеймера, диабет 2 типа и признаками старения, таких как ухудшение зрения и снижение подвижности.
Учитывая пагубное воздействие старения на организм, были предприняты усилия по разработке эффективных сенолитиков, соединений, которые уничтожают стареющие клетки.
Предыдущие исследования выявили несколько многообещающих сенолитиков, но они часто бывают токсичны для здоровых клеток. Теперь в исследовании, проведенном учеными из Эдинбургского университета в Шотландии, использовался новаторский метод поиска химических веществ, которые могут безопасно и эффективно уничтожать эти дефектные клетки.
Они разработали модель машинного обучения и научили ее распознавать ключевые характеристики химических веществ с сенолитическими свойствами. Данные для обучения модели были получены из нескольких источников, включая научные статьи и коммерческие патенты, и были объединены с соединениями из двух существующих химических библиотек, которые содержат широкий спектр соединений, одобренных или находящихся на клинической стадии.
Полный набор данных содержал 2523 соединения и включал соединения как с сенолитическими, так и с несенолитическими свойствами, чтобы не искажать алгоритм машинного обучения. Затем алгоритм был использован для скрининга более 4000 химических веществ, из которых был идентифицирован 21 потенциальный кандидат.
Тестируя этих кандидатов, исследователи обнаружили, что три химических вещества — гинкгетин, периплоцин и олеандрин — удаляют стареющие клетки, не повреждая здоровые. Было обнаружено, что из трех наиболее эффективным является олеандрин. Все три являются натуральными продуктами, которые входят в состав традиционных фитопрепаратов.
Олеандрин извлекается из растения олеандр (Nerium oleander) и обладает свойствами, подобными дигоксину, используемому для лечения сердечной недостаточности и некоторых нарушений сердечного ритма (аритмии). Исследования показали, что олеандрин обладает противораковыми, противовоспалительными, анти-ВИЧ, противомикробными и антиоксидантными свойствами.
Олеандрин очень токсичен за пределами терапевтических уровней, что для человека является очень узким окном и затрудняет его клиническое применение. Таким образом, он не был одобрен регулирующими органами в качестве отпускаемого по рецепту лекарства или пищевой добавки.
Как и олеандрин, гинкгетин проявляет противораковые, противовоспалительные, противомикробные, антиоксидантные и нейропротекторные свойства. Гинкгетин извлекают из дерева гинкго (Ginkgo biloba), старейшего живого вида деревьев, чьи листья и семена использовались в китайской фитотерапии на протяжении тысячелетий.
Периплоцин выделяют из коры корней китайской шелковой лозы (Periploca sepium). Исследования показали, что он может улучшить работу сердца, а также блокировать рост клеток и вызывать гибель раковых клеток.
Ученые говорят, что их результаты демонстрируют, что эти соединения обладают эффективностью, сравнимой или превышающей эффективность сенолитиков, описанных в предыдущих исследованиях. Что еще более важно, по их словам, метод, основанный на машинном обучении, оказался чрезвычайно эффективным, сократив количество соединений, которые необходимо было проверить, более чем в 200 раз.
Исследователи говорят, что подход, основанный на искусственном интеллекте, представляет собой веху в поиске новых лекарств, особенно для лечения сложных заболеваний.я.
Они также утверждают, что этот подход более экономичен, чем стандартные методы скрининга лекарств, такие как доклинические и клинические испытания.
«Эта работа стала результатом интенсивного сотрудничества между учеными, химиками и биологами», — сказала Ванесса Баррето, ведущий автор исследования. «Используя сильные стороны этого междисциплинарного сочетания, мы смогли построить надежные модели и сократить расходы на скрининг, используя только опубликованные данные для обучения моделей. Я надеюсь, что эта работа откроет новые возможности для ускорения применения этой захватывающей технологии».
Исследование было опубликовано в журнале Nature Communications.