AI szuka leków. Naukowcy z IIMCB opracowują narzędzia do analizy RNA

Polska nauka przystępuje do wykorzystania sztucznej inteligencji do przyspieszenia odkrywania nowych leków — dwa projekty realizowane w warszawskim Instytucie Chemii Biologicznej Polskiej Akademii Nauk (IIMCB) mają zmienić sposób, w jaki naukowcy poszukują obiecujących kandydatów na farmaceutyki.

Dwa narzędzia AI dla bioinformatyki

Instytut opracowuje dwa komplementarne systemy, każdy z innym celem badawczym. Pierwszy, DeepLeaRNA, będzie analizować interakcje między małymi cząsteczkami a strukturami RNA. System ma przewidywać, czy dana substancja chemiczna będzie się wiązać z wybranym celem biologicznym, a także identyfikować konkretne miejsce tego wiązania i wskazywać, które właściwości cząsteczki odpowiadają za efektywność interakcji.

Drugi projekt, DeepGeNAPL, rozszerza to podejście na bardziej złożone systemy biologiczne. Skupia się on na oddziaływaniach między małymi cząsteczkami a kompleksami zawierającymi zarówno kwasy nukleinowe, jak i białka. Tego rodzaju interakcje są szczególnie ważne w farmakologii, ponieważ wiele leków działa właśnie poprzez takie wielostronne oddziaływania.

Jak AI zmniejsza koszty badań?

Tradycyjny proces odkrywania leków wymaga testowania tysięcy, a czasem milionów potencjalnych związków chemicznych. Każdy eksperyment laboratoryjny to koszty — zarówno finansowe, jak i czasowe. Naukowcy muszą syntetyzować substancje, przygotowywać próbki, prowadzić testy biologiczne i analizować wyniki.

Narzędzia opracowywane w IIMCB mają działać jako wirtualny filtr na wstępnym etapie badań. Zamiast testować wszystkie kandydatów w laboratorium, naukowcy będą mogli najpierw uruchomić algorytmy AI na komputerze. System przeanalizuje strukturę chemiczną tysięcy potencjalnych związków i wskaże te, które teoretycznie mają największe szanse na efektywne wiązanie z celem biologicznym.

W ten sposób liczba substancji kierowanych do kosztownych eksperymentów laboratoryjnych drastycznie maleje. Zamiast pracować ślepo, naukowcy mogą skupić się na najbardziej obiecujących kandydatach. To oznacza szybszy przebieg badań, niższe budżety i większą efektywność całego procesu.

Co to oznacza dla polskiej nauki i farmacji?

Przyznanie grantów z Narodowego Centrum Nauki na te projekty — łącznie prawie 2,15 miliona złotych — pokazuje, że polska nauka rozpoznaje potencjał AI w bioinformatyce. Projekty DeepLeaRNA i DeepGeNAPL mogą stanowić fundament dla przyszłych polskich rozwiązań w dziedzinie bioinformatyki i wspomagania odkrywania leków.

Dla branży farmaceutycznej, zarówno polskiej, jak i międzynarodowej, tego rodzaju narzędzia mogą mieć przełomowe znaczenie. Szybsze i tańsze wstępne badania oznaczają, że więcej potencjalnych leków może dotrzeć do fazy klinicznych. Szczególnie ważne jest to dla rzadkich chorób, gdzie liczba pacjentów jest mała, a koszty badań tradycyjnie bardzo wysokie — AI może uczynić takie projekty ekonomicznie wykonalnymi.

Warto jednak podkreślić, że — jak zaznaczają sami twórcy projektów — narzędzia AI nie będą automatycznie opracowywać gotowych leków ani całkowicie zastępować pracy eksperymentalnej. Będą one wsparciem dla naukowców, a nie substytutem ich wiedzy i doświadczenia. Każdy kandydat wskazany przez AI będzie nadal musiał przejść przez pełny cykl testów laboratoryjnych, badań na komórkach i organizmach modelowych, a następnie badań klinicznych.

Perspektywy rozwoju

Projekty DeepLeaRNA i DeepGeNAPL stanowią część szerszego trendu w światowej nauce — wykorzystania uczenia maszynowego do przyspieszenia badań w chemii i biologii. Tego rodzaju systemy są już testowane przez duże koncerny farmaceutyczne i instytuty badawcze na całym świecie. Polska ma szansę dołączyć do tego grona, budując własne, zaawansowane narzędzia.

Jeśli projekty osiągną założone cele, mogą stać się podstawą dla komercyjnych rozwiązań lub być udostępniane naukowcom z innych instytucji. To mogłoby wzmocnić pozycję polskiej bioinformatyki i przyciągnąć międzynarodowe projekty badawcze do krajowych ośrodków naukowych.