AI Menggunakan Machine Learning untuk Menemukan Senolitik Baru dalam Pengobatan Penyakit
Penuaan dan penyakit lainnya, seperti kanker, diabetes tipe 2, osteoarthritis, dan infeksi virus, semuanya melibatkan selular senescence sebagai respons terhadap stres. Penghapusan terarah terhadap selular senescence semakin populer, meskipun sedikit senolitik yang diketahui karena target molekul mereka perlu dipahami dengan lebih baik. Di sini, para ilmuwan menggambarkan penemuan tiga senolitik dengan algoritma pembelajaran mesin yang relatif murah, yang sepenuhnya dididik dengan data yang sebelumnya telah dipublikasikan. Pada garis sel manusia yang mengalami berbagai jenis senescence, mereka mengkonfirmasi aksi senolitik ginkgetin, periplocin, dan oleandrin menggunakan skrining komputasional dari beberapa perpustakaan kimia. Zat-zat kimia ini sama efektifnya seperti analitik yang terkenal, yang menunjukkan bahwa oleandrin lebih efektif daripada standar emas saat ini terhadap targetnya. Metode ini mengurangi biaya penyaringan obat dengan faktor beberapa ratus, dan ini menunjukkan bahwa kecerdasan buatan dapat memanfaatkan data penyaringan obat yang terbatas dan beragam. Ini membuka jalan bagi metode baru berbasis data untuk tahap awal penemuan obat.
Meskipun senolitik telah menunjukkan janji yang besar dalam meredakan gejala banyak penyakit pada tikus, eliminasi mereka juga telah dikaitkan dengan beberapa hasil negatif, termasuk gangguan proses seperti penyembuhan luka dan fungsi hati. Meskipun temuan yang menjanjikan, hanya dua obat yang telah menunjukkan efektivitas dalam studi klinis untuk aksi senolitik mereka. Beberapa analitik yang baik telah dikembangkan di masa lalu. Namun, mereka umumnya berbahaya bagi sel-sel sehat. Sekarang, para peneliti di University of Edinburgh, Skotlandia, telah mengembangkan pendekatan baru untuk mengidentifikasi senyawa kimia yang dapat menghilangkan sel-sel rusak ini tanpa membahayakan sel sehat. Mereka membangun model pembelajaran mesin untuk mengidentifikasi senyolitik dan mengajarinya untuk melakukannya. Zat kimia dari dua perpustakaan kimia yang ada, yang mencakup berbagai macam bahan kimia yang disetujui FDA atau berada dalam tahap klinis, digabungkan dengan data yang digunakan untuk melatih model dari berbagai sumber, seperti artikel akademik dan paten komersial. Untuk menghindari bias pada sistem pembelajaran mesin, kumpulan data mencakup 2.523 zat dengan karakteristik senolitik dan non-senolitik. Setelah menerapkan algoritma pada database lebih dari 4.000 senyawa, ditemukan 21 kandidat yang menjanjikan. Tiga senyawa, ginkgetin, periplocin, dan oleandrin, terbukti selama pengujian dapat mengeliminasi sel-sel senescence tanpa mempengaruhi sel sehat, menjadikannya kandidat yang baik. Hasil penelitian menunjukkan bahwa oleandrin adalah yang paling efektif dari ketiganya. Ketiga senyawa ini merupakan komponen umum dari ramuan herbal. Tanaman oleander (Nerium oleander) adalah sumber oleandrin, zat dengan efek yang sama dengan obat jantung digoksin, yang digunakan untuk mengobati gagal jantung dan irama jantung yang tidak teratur (aritmia). Efek antikanker, antiinflamasi, antivirus HIV, antibakteri, dan antioksidan telah diamati pada oleandrin. Jendela terapi untuk oleandrin pada manusia sangat kecil, karena toksik pada tingkat terapeutik. Oleandrin dijual atau digunakan sebagai bahan tambahan makanan atau obat secara ilegal. Seperti oleandrin, Linkedin telah terbukti memiliki efek yang bermanfaat melawan kanker, inflamasi, mikroba, dan sistem saraf dalam bentuk karakteristik antioksidan dan neuroprotektif. Pohon Ginkgo (Ginkgo biloba) adalah spesies pohon tertua yang masih hidup, dan daun dan bijinya telah digunakan dalam pengobatan herbal di China selama ribuan tahun. Pohon ini adalah sumber Linkedin. Daun kering pohon tersebut digunakan untuk membuat ekstrak Ginkgo biloba yang dijual tanpa resep dokter. Ini adalah suplemen herbal terlaris di Amerika Serikat dan Eropa. Menurut para penulis studi, hasil mereka menunjukkan bahwa zat kimia ini sama efektifnya, jika tidak lebih efektif, daripada senolitik yang diidentifikasi dalam penelitian sebelumnya. Mereka mengklaim bahwa pendekatan berbasis pembelajaran mesin mereka sangat efektif sehingga mengurangi jumlah senyawa yang perlu disaring dengan faktor lebih dari 200. Tim ini percaya bahwa strategi mereka berbasis kecerdasan buatan adalah langkah maju dalam menemukan pengobatan yang efektif untuk penyakit serius. Beberapa fitur baru dalam teknik ini membedakannya dari penggunaan kecerdasan buatan standar dalam industri farmasi. Pertama, tidak memerlukan dana tambahan untuk dihabiskan pada karakterisasi eksperimental in-house dari senyawa pelatihan karena hanya menggunakan data yang dipublikasikan untuk melatih model. Kedua, senolisis adalah sifat molekuler yang jarang, dan sedikit senolitik yang dilaporkan dalam literatur, sehingga model pembelajaran mesin dilatih dengan dataset yang jauh lebih kecil daripada yang biasanya dipertimbangkan di bidang ini. Efektivitas metode ini menunjukkan bahwa pembelajaran mesin dapat memanfaatkan data literatur, meskipun materi tersebut seringkali lebih beragam dan terbatas dalam cakupan daripada yang mungkin kita harapkan. Ketiga, indikator fenotipik aktivitas farmakologis digunakan dalam pelatihan model tanpa target. Banyak kondisi yang menimbulkan beban ekonomi dan sosial yang signifikan, tetapi sedikit atau tidak ada target yang diketahui; untuk kondisi-kondisi ini, penemuan obat fenotipik merupakan peluang untuk memperluas jumlah titik awal kimia yang dapat dikembangkan melalui pipa penemuan.
Artikel ini disusun dengan menggunakan Bahasa Indonesia.
Disarikan dari: Link