Forskere har utviklet et nytt maskinlæringssystem som kan bidra til å bevare vaksiner, blod og andre medisinske behandlinger.
Forskningen, publisert i Nature Communications, ble ledet av University of Warwick og University of Manchester.
Identifisering av Kryoprotektanter
AI-systemet hjelper med å identifisere molekyler kalt kryoprotektanter – forbindelser som forhindrer skade ved nedfrysning av biologiske materialer.
Per i dag er det å finne nye kryoprotektanter en treg, prøving-og-feiling-prosess. Denne nye maskinlæringsdrevne tilnærmingen lar forskere raskt teste hundrevis av potensielle molekyler virtuelt.
Viktige punkter fra studien:
- Teamet opprettet en maskinlæringsmodell trent på data fra eksisterende kryoprotektanter.
- Denne modellen kan forutsi hvor godt nye molekyler kan fungere som kryoprotektanter.
- Forskerne brukte modellen til å undersøke et bibliotek med rundt 500 aminosyrer.
- Systemet identifiserte flere lovende forbindelser, inkludert en som overgikk mange kjente kryoprotektanter.
- Lab-testene bekreftet AI’ens forutsigelser, med den nye forbindelsen som viste sterk iskrystallforebygging.
Effektivitet og Overraskende Resultater
Dr. Matt Warren, PhD-studenten som ledet prosjektet, beskrev hvordan modellen øker effektiviteten: “Etter år med arbeidskrevende datainnsamling i laboratoriet, er det utrolig spennende å nå ha en maskinlæringsmodell som muliggjør en datadrevet tilnærming til å forutsi kryoprotektiv aktivitet.”
Et overraskende resultat var AI’ens evne til å identifisere effektive molekyler som erfarne forskere kunne ha oversett. Professor Matthew Gibson fra Manchester bemerket: “Resultatene av datamodellen var forbløffende, med identifisering av aktive molekyler jeg aldri ville ha valgt, selv med mine mange års erfaring.”
Integrering av Metoder
Professor Gabriele Sosso, som ledet Warwick-teamet, forklarte i et blogginnlegg at maskinlæring ikke er en universalløsning for disse forskningsproblemene: “Det er viktig å forstå at maskinlæring ikke er en magisk løsning for hvert vitenskapelige problem. I dette arbeidet brukte vi det som et verktøy blant mange.”
Forskerne kombinerte AI-forutsigelsene med molekylære simuleringer og laboratorieeksperimenter – en flertrinns tilnærming som hjalp til med å validere resultater og raffinere modellen.
Konsekvenser for fremtiden
Dette bidrar til en rekke AI-drevne studier innen medisinsk oppdagelse og materialdesign. Forskere har bygget AI-modeller for å generere interessante medisinske forbindelser, hvorav en har blitt brakt til klinisk prøve.
DeepMind har også laget en modell kalt GNoME som er i stand til automatisk å generere og syntetisere materialer.
De nye kryoprotektantforbindelsene kan ha brede, reelle effekter. For eksempel beskriver forskerne hvordan forbedring av kryopreservering kan forlenge holdbarheten til vaksiner og gjøre det lettere å transportere sensitive medisinske behandlinger til avsidesliggende områder.
Teknikken kan også fremskynde blodtransfusjoner ved å redusere tiden som trengs for å behandle frosset blod.
Selv om resultatene er lovende, påpeker teamet at mer arbeid er nødvendig for å fullt ut forstå hvordan disse nye forbindelsene fungerer og for å sikre deres sikkerhet for medisinsk bruk.
Dette er imidlertid nok en interessant studie som demonstrerer hvordan AI kan fremskynde vitenskapelige oppdagelser på uventede måter, potensielt komme med gjennombrudd i felt langt utover datavitenskap.
Dette innlegget ble først publisert på DailyAI.