Исследователи из Сколтеха и Мюнхенского центра им. Гельмгольца по исследованию окружающей среды и здоровья создали технологию улучшенного прогноза токсичности потенциальных лекарственных препаратов. Метод основан на использовании алгоритмов многозадачного машинного обучения и анализе различных показателей токсичности. Этот подход позволяет получить точные прогнозы нежелательных эффектов лекарственных соединений. Исследователи из Сколтеха и Мюнхенского центра им. Гельмгольца по исследованию окружающей среды и здоровья создали технологию улучшенного прогноза токсичности потенциальных лекарственных препаратов. Метод основан на использовании алгоритмов многозадачного машинного обучения и анализе различных показателей токсичности. Этот подход позволяет получить точные прогнозы нежелательных эффектов лекарственных соединений. Результаты исследования опубликованы в журнале Journal of Chemical Information and Modeling. Новое лекарство, выводимое на рынок, должно быть не только эффективным, но и безопасным. Тестам на безопасность посвящена первая фаза клинических испытаний любого нового лекарственного препарата. По данным организации FDA (Food and Drug Administration), осуществляющей надзор за безопасностью продуктов питания и лекарств в США, около 30% потенциальных лекарств отсеиваются именно на этой стадии — когда фармацевтические компании и ученые уже вложили в них десятки миллионов долларов и тысячи рабочих часов. Чтобы этого избежать, необходимо разрабатывать эффективные алгоритмы, которые помогут распознать токсичные соединения на самой ранней стадии разработки нового препарата.Универсального понятия токсичности не существует. Этот параметр можно измерять на различных организмах (например, на мышах, крысах, обезьянах), также токсичность зависит от способа введения препарата (с пищей, инъекционно, накожно). Авторы работы создали нейронную сеть, которая прогнозирует несколько различных видов токсичности одновременно. Для обучения модели использовались данные о токсичности более 70 тысяч органических соединений различной природы. Эти данные были распределены по 29 типам, учитывающим как вид испытуемого животного, так и тип введения исследуемого вещества. Исследователи сравнили свою модель с моделями, прогнозирующими только один тип токсичности и продемонстрировали, что одновременное использование многих видов токсичности при обучении значительно улучшает итоговое качество прогнозирования. «Далеко не всегда многозадачное обучение дает хороший результат, однако в нашем случае оно значительно улучшает качество прогнозирования. Наша работа не только демонстрирует эффективность нового подхода, но и способствует пересмотру устаревших методов вычислительного прогнозирования токсичности», — рассказывает первый автор опубликованной работы, аспирант Сколтеха, Сергей Соснин. Авторы работы сделали созданные модели доступными онлайн. Теперь любой исследователь может заранее оценить токсичность потенциальных кандидатов в лекарственные средства по отношению к нескольким видам животных. Понравился материал? Добавьте Indicator.Ru в «Мои источники» Яндекс.Новостей и читайте нас чаще. Пресс-релизы о научных исследованиях, информацию о последних вышедших научных статьях и анонсы конференций, а также данные о выигранных грантах и премиях присылайте на адрес science@indicator.ru.
