Wird KI neue Medikamente gegen Herzkrankheiten hervorbringen?

Zusammenfassung

Angesichts der umwälzenden Auswirkungen, die künstliche Intelligenz (KI) auf Wissenschaft, Medizin und darüber hinaus hat, betrachten wir hier das Potenzial von KI für die Entdeckung neuer Medikamente gegen Herzkrankheiten. Wir definieren KI im weitesten Sinne als den Einsatz von maschinellem Lernen, einschließlich Statistik und Deep Learning, um Muster in Datensätzen zu erkennen, die für Vorhersagen genutzt werden können. Jüngste Durchbrüche in der Fähigkeit, sehr große Datenmengen zu berücksichtigen, haben einen Boom in der KI-gestützten Arzneimittelentdeckung sowohl in der Wissenschaft als auch in der Industrie ausgelöst. Viele neue Unternehmen verfügen bereits über Arzneimittel-Pipelines, die bis in die klinische Erprobung reichen, aber noch keine Medikamente gegen Herzkrankheiten enthalten. Wir beschreiben hier den Einsatz von KI für die Entdeckung von niedermolekularen Medikamenten und Biologika, einschließlich therapeutischer Peptide, sowie für die Vorhersage von Wirkungen wie Kardiotoxizität. Der konzertierte Einsatz von KI zusammen mit physikbasierten Simulationen und experimentellen Rückkopplungsschleifen wird notwendig sein, um das Potenzial der KI für die Arzneimittelentdeckung und die Entwicklung von Präzisionsarzneimitteln für Herzkrankheiten voll auszuschöpfen.

Abstract

Given the transformational impact that artificial intelligence (AI) is having on science, medicine and beyond, we here consider the potential of AI for the discovery of new medicines against heart disease. We define AI broadly as the use of machine learning, including statistics and deep learning, to identify patterns in datasets that can be used to make predictions. Recent breakthroughs in the ability to consider very large amounts of data have spurred a boom in AI-driven drug discovery in both academia and industry. Many new companies already have drug pipelines extending into clinical trials, but these do not yet include drugs against heart disease. We here describe the use of AI for the discovery of low-molecular weight drugs and biologics, including therapeutic peptides, as well as for predicting effects such as cardiotoxicity. The concerted use of AI together with physics-based simulations and experimental feedback loops will be necessary to fully realize the potential of AI for drug discovery and the development of precision medicines for cardiac conditions.

Was ist wichtig?

• Künstliche Intelligenz (KI) bietet das Potenzial, viele Designparameter in der Medikamentenentwicklung von Anfang an integriert zu betrachten, und damit die Möglichkeit, den traditionellen Prozess, der häufig noch dazu führt, dass viele Medikamentenkandidaten in klinischen Studien scheitern, zu optimieren.

• KI kommt schon auf vielfältige Weise zur Entwicklung von niedermolekularen Wirkstoffkandidaten zum Einsatz, z. B. zur Identifizierung von neuen Zielstrukturen oder zur Generierung von Wirkstoffvorschlägen unter Berücksichtigung definierter Eigenschaften; mithilfe von KI generierte Wirkstoffkandidaten sind auch schon in klinischen Studien.

• Verfahren des strukturbasierten Wirkstoffdesigns können durch ihren physikalisch-kausalen Ansatz dabei helfen, molekulare Hypothesen über Wirkmechanismen zu formulieren und können somit rein KI-basierte Vorhersagen komplementieren, wobei KI selbst wiederum strukturbasierte Ansätze auf vielfältige Art und Weise unterstützen und beschleunigen kann.

• KI-Methoden, die auf Sequenzdaten arbeiten, werden schon eingesetzt, um protein- oder peptidbasierte Biologika effizient zu optimieren oder zu identifizieren, was vielversprechende Ansatzmöglichkeiten für personalisierte Therapien eröffnen könnte.

• Im Rahmen der kardiologischen Medikamentenforschung kommt KI im Moment hauptsächlich zum Einsatz, um die Kardiotoxizität von potenziellen Medikamentenkandidaten vorherzusagen.

Schlüsselwörter

maschinelles Lernen - molekulare Simulation - Wirkstoffdesign - Arzneimittelentdeckung - Arzneimittelentwicklung - künstliche Intelligenz (KI)

Keywords

machine learning - molecular simulation - drug design - drug discovery - drug development - artificial intelligence (AI)

Publication History

Article published online:
20 November 2023

• Literatur

• 1 Savarese G, Becher PM, Lund LH. et al. Global burden of heart failure: a comprehensive and updated review of epidemiology. Cardiovasc Res 2023; 118: 3272-3287 DOI: 10.1093/cvr/cvac013. (PMID: 35150240)
• 2 Braunwald E. SGLT2 inhibitors: the statins of the 21st century. Eur Heart J 2022; 43: 1029-1030 DOI: 10.1093/eurheartj/ehab765. (PMID: 34741610)
• 3 Sun D, Gao W, Hu H. et al. Why 90% of clinical drug development fails and how to improve it?. Acta Pharm Sin B 2022; 12: 3049-3062 DOI: 10.1016/j.apsb.2022.02.002. (PMID: 35865092)
• 4 Dowden H, Munro J. Trends in clinical success rates and therapeutic focus. Nat Rev Drug Discov 2019; 18: 495-496 DOI: 10.1038/d41573-019-00074-z. (PMID: 31267067)
• 5 McCarthy J. What is artificial intelligence?. 12.11.2017 Accessed October 13, 2023 at: https://www-formal.stanford.edu/jmc/whatisai.pdf
• 6 LeCun Y, Bengio Y, Hinton G. Deep learning. Nature 2015; 521: 436-444 DOI: 10.1038/nature14539. (PMID: 26017442)
• 7 Lo YC, Rensi SE, Torng W. et al. Machine learning in chemoinformatics and drug discovery. Drug Discov Today 2018; 23: 1538-1546 DOI: 10.1016/j.drudis.2018.05.010. (PMID: 29750902)
• 8 Muratov EN, Bajorath J, Sheridan RP. et al. QSAR without borders. Chem Soc Rev 2020; 49: 3525-3564 DOI: 10.1039/D0CS00098A. (PMID: 32441715)
• 9 Vanhaelen Q, Lin YC, Zhavoronkov A. The Advent of Generative Chemistry. ACS Med Chem Lett 2020; 11: 1496-1505 DOI: 10.1021/acsmedchemlett.0c00088. (PMID: 32832015)
• 10 Khalak Y, Tresadern G, Hahn DF. et al. Chemical Space Exploration with Active Learning and Alchemical Free Energies. J Chem Theory Comput 2022; 18: 6259-6270 DOI: 10.1021/acs.jctc.2c00752.
• 11 Pun FW, Liu BHM, Long X. et al. Identification of Therapeutic Targets for Amyotrophic Lateral Sclerosis Using PandaOmics – An AI-Enabled Biological Target Discovery Platform. Front Aging Neurosci 2022; 14: 914017 DOI: 10.3389/fnagi.2022.914017. (PMID: 35837482)
• 12 Prasad K, Kumar V. Artificial intelligence-driven drug repurposing and structural biology for SARS-CoV-2. Curr Res Pharmacol Drug Discov 2021; 2: 100042 DOI: 10.1016/j.crphar.2021.100042. (PMID: 34870150)
• 13 Yang Y, Yao K, Repasky MP. et al. Efficient Exploration of Chemical Space with Docking and Deep Learning. J Chem Theory Comput 2021; 17: 7106-7119 DOI: 10.1021/acs.jctc.1c00810.
• 14 Beuming T, Martin H, Diaz-Rovira AM. et al. Are Deep Learning Structural Models Sufficiently Accurate for Free-Energy Calculations? Application of FEP+ to AlphaFold2-Predicted Structures. J Chem Inf Model 2022; 62: 4351-4360 DOI: 10.1021/acs.jcim.2c00796. (PMID: 36099477)
• 15 Yuan JH, Han SB, Richter S. et al. Druggability Assessment in TRAPP Using Machine Learning Approaches. J Chem Inf Model 2020; 60: 1685-1699 DOI: 10.1021/acs.jcim.9b01185. (PMID: 32105476)
• 16 Lemke T, Peter C. EncoderMap: Dimensionality Reduction and Generation of Molecule Conformations. J Chem Theory Comput 2019; 15: 1209-1215 DOI: 10.1021/acs.jctc.8b00975. (PMID: 30632745)
• 17 Bernetti M, Bertazzo M, Masetti M. Data-Driven Molecular Dynamics: A Multifaceted Challenge. Pharmaceuticals (Basel) 2020; 13: 253 DOI: 10.3390/ph13090253. (PMID: 32961909)
• 18 Kokh DB, Amaral M, Bomke J. et al. Estimation of Drug-Target Residence Times by tau-Random Acceleration Molecular Dynamics Simulations. J Chem Theory Comput 2018; 14: 3859-3869 DOI: 10.1021/acs.jctc.8b00230. (PMID: 29768913)
• 19 Noe F, Tkatchenko A, Muller KR. et al. Machine Learning for Molecular Simulation. Annu Rev Phys Chem 2020; 71: 361-390 DOI: 10.1146/annurev-physchem-042018-052331. (PMID: 32092281)
• 20 Jayatunga MKP, Xie W, Ruder L. et al. AI in small-molecule drug discovery: a coming wave?. Nat Rev Drug Discov 2022; 21: 175-176 DOI: 10.1038/d41573-022-00025-1. (PMID: 35132242)
• 21 Madani A, Krause B, Greene ER. et al. Large language models generate functional protein sequences across diverse families. Nat Biotechnol 2023; 41: 1099-1106 DOI: 10.1038/s41587-022-01618-2. (PMID: 36702895)
• 22 Hie BL, Shanker VR, Xu D. et al. Efficient evolution of human antibodies from general protein language models. Nat Biotechnol 2023; DOI: 10.1038/s41587-023-01763-2. (PMID: 37095349)
• 23 Hie BL, Yang KK, Kim PS. Evolutionary velocity with protein language models predicts evolutionary dynamics of diverse proteins. Cell Syst 2022; 13: 274-285.e6 DOI: 10.1016/j.cels.2022.01.003. (PMID: 35120643)
• 24 Olsen TH, Moal IH, Deane CM. AbLang: an antibody language model for completing antibody sequences. Bioinform Adv 2022; 2: vbac046 DOI: 10.1093/bioadv/vbac046. (PMID: 36699403)
• 25 Mork SK, Kadivar M, Bol KF. et al. Personalized therapy with peptide-based neoantigen vaccine (EVX-01) including a novel adjuvant, CAF(R)09b, in patients with metastatic melanoma. Oncoimmunology 2022; 11: 2023255 DOI: 10.1080/2162402X.2021.2023255. (PMID: 35036074)
• 26 Glaser M, Bruce NJ, Han SB. et al. Simulation of the Positive Inotropic Peptide S100A1ct in Aqueous Environment by Gaussian Accelerated Molecular Dynamics. J Phys Chem B 2021; 125: 4654-4666 DOI: 10.1021/acs.jpcb.1c00902. (PMID: 33944558)
• 27 Kehr D, Ritterhoff J, Glaser M. et al. S100A1ct: a synthetic peptide derived from human S100A1 protein improves cardiac contractile performance and survival in pre-clinical heart failure models. bioRxiv 2023; DOI: 10.1101/2023.03.04.531024.
• 28 Iftkhar S, de Sa AGC, Velloso JPL. et al. cardioToxCSM: A Web Server for Predicting Cardiotoxicity of Small Molecules. J Chem Inf Model 2022; 62: 4827-4836 DOI: 10.1021/acs.jcim.2c00822. (PMID: 36219164)
• 29 Creanza TM, Delre P, Ancona N. et al. Structure-Based Prediction of hERG-Related Cardiotoxicity: A Benchmark Study. J Chem Inf Model 2021; 61: 4758-4770 DOI: 10.1021/acs.jcim.1c00744. (PMID: 34506150)
• 30 Cai C, Guo P, Zhou Y. et al. Deep Learning-Based Prediction of Drug-Induced Cardiotoxicity. J Chem Inf Model 2019; 59: 1073-1084 DOI: 10.1021/acs.jcim.8b00769. (PMID: 30715873)