Як технології соцмереж допомагають знаходити нові застосування для наявних ліків

Уявіть, що технологія, яка пропонує вам додати до друзів колегу з іншої компанії, може допомогти врятувати тисячі життів. Здається неймовірним, але саме така аналогія лежить в основі революційного підходу в біомедицині.

Видання The Conversation опублікувало статтю про те, як алгоритм LinkedIn може допомогти знайти нові застосування для вже наявних ліків, а ми підготували виклад найважливішого для розуміння цієї концепції. Цей підхід є не лише новаторським, а й значно пришвидшує та здешевлює процес, який раніше тривав роки і потребував мільярдів доларів.

Принцип роботи графових нейронних мереж

В основі алгоритмів, що відповідають за рекомендації у соціальних мережах, лежить технологія, відома як графова нейронна мережа (GNN). Це математична модель, що складається з вузлів (node), які представляють об'єкти (наприклад, користувачів), та зв'язків (link або edge), які показують їхню взаємодію. У соцмережі, як-от LinkedIn, кожен профіль є вузлом, а зв'язки — це їхні контакти.

Алгоритм працює за принципом збирання інформації від безпосередніх зв'язків кожного вузла, її агрегації та інтеграції у початковий вузол. Після цього процесу кожен профіль відображає не лише власні дані, а й дані своєї безпосередньої мережі. Цей процес може бути повторений кілька разів, що дозволяє врахувати інформацію від зв'язків другого та навіть третього ступеня (друге та третє коло знайомств). Завдяки цьому алгоритм здатний виявляти неочікувані зв'язки, наприклад, коли він рекомендує родича, хоча ви працюєте в іншій сфері.

У складніших версіях алгоритму LinkedIn вузли можуть також представляти інші об'єкти, як-от компанії чи публікації. Це дозволяє моделі отримувати інформацію не лише від особистих контактів, а й від контенту, який користувач відзначив як улюблений або з яким взаємодіяв. Наприклад, якщо хтось є контактом вашої сестри і вподобав дописи, які також подобаються вашому зятю, алгоритм може виявити, що ви не просто маєте схожі інтереси, а й можете бути пов'язані особисто.

Підписуйтеся на наші соцмережі

Перепрофілювання ліків: ефективний шлях до інновацій

Розроблення нового лікарського засобу з нуля — це надзвичайно довгий і фінансово витратний процес. Процес нагадує воронку, де на початку є безліч потенційних кандидатів, але після просіювання через різні етапи досліджень лише один залишається для клінічних випробувань і, врешті для загального клінічного використання.

Через складність і тривалість цього процесу в останні десятиліття набуває поширення перепрофілювання ліків. Мета цього підходу — не розроблення нових молекул, а пошук нових застосувань для вже наявних препаратів. Це значно пришвидшує процес, оскільки безпечність ліків уже підтверджена.

Основою для цього процесу є велика кількість загальнодоступних та добре задокументованих баз даних, що містять інформацію про те, на які білки діє кожен препарат. Одна із найпоширеніших баз, DrugBank, зросла з 841 схваленого препарату у 2006 році до 2751 у 2024-му. Цей постійно зростальний обсяг даних дозволяє використовувати складніші обчислювальні моделі. У цій моделі вузли представляють ліки та білки, а зв'язки — їхню взаємодію, зафіксовану в базах даних.

Застосування соціальних алгоритмів у біомедицині

Застосовуючи алгоритми, подібні до тих, що використовуються у соцмережах, до мережі взаємодій «ліки-білки», дослідники можуть агрегувати біохімічну інформацію. Для кожного препарату модель додає дані про білки, з якими він взаємодіє через відомі зв'язки.

Використовуючи цю інформацію, модель може передбачити ймовірність взаємодії між препаратом і білком, яка раніше не була відома у базі даних. Алгоритми ефективно аналізують великі обсяги інформації, виявляючи приховані зв'язки. Ці теоретично передбачені взаємодії можуть бути потім перевірені в лабораторних умовах. Таким чином, замість тривалого процесу «відкриття» (discovery) вчені отримують цілеспрямований підхід, що значно економить час і фінансові ресурси.

Перспективи та виклики моделі GeNNius

На основі цього підходу вчені з Лабораторії обчислювальної біології та трансляційної геноміки в Університеті Наварри розробили власну модель під назвою GeNNius. Цей інструмент вже покращив наявні моделі, особливо щодо швидкості: за одну хвилину він може оцінити приблизно 23 тис. потенційних взаємодій.

Незважаючи на хороші прогностичні можливості, у GeNNius є певні обмеження. Виклики виникають при оцінюванні можливих взаємодій з молекулами, які не є частиною мережі або для яких є мало вихідних даних. Хоча модель технічно може генерувати результат у таких випадках, він часто має низьку достовірність.

Подолання перешкод, як-от робота з неповною або відсутньою інформацією, та подальші дослідження дозволять цим моделям еволюціонувати у майбутньому. Кінцева мета полягає у створенні систем, здатних надавати персоналізовані рекомендації щодо лікування для кожного пацієнта. Таким чином, обчислювальні методи, запозичені зі світу соцмереж, можуть стати ключем до більш швидкої та індивідуалізованої медицини.

Глосарій ключових понять

Цей матеріал підготовлений на основі інформації з відкритих джерел. Редакція самостійно відбирає ключові факти, аналізує їх та структурує за допомогою AI-інструментів.