尋找新藥（稱為“藥物發現”）是一項昂貴且耗時的任務。 但一種稱為機器學習的人工智能可以極大地加速這一過程，並且只需花費一小部分的成本即可完成這項工作。
我和我的同事最近利用這項技術找到了三種有前途的抗衰老藥物候選藥物——減緩衰老和預防與年齡相關的疾病的藥物。
Senolytics 通過殺死來發揮作用 衰老細胞。 這些細胞“活著”（代謝活躍），但不能再复制，因此它們的綽號是：殭屍細胞。
無法複製不一定是壞事。 這些細胞的 DNA 受到了損害（例如，皮膚細胞被太陽光線損壞），因此停止複制可以阻止損害的擴散。
但衰老細胞並不總是一件好事。 他們分泌一種 炎症蛋白混合物 可以傳播到鄰近的細胞。 在一生中，我們的細胞會遭受從紫外線到化學物質的一系列攻擊，因此這些細胞會不斷積累。 衰老細胞數量增加與 疾病範圍，包括 2 型糖尿病、新冠肺炎、肺纖維化、骨關節炎和癌症。
對實驗室小鼠的研究 已經表明，消除衰老細胞，使用 抗衰老藥，可以改善這些疾病。 這些藥物可以殺死殭屍細胞，同時保持健康細胞的存活。
圍繞 80 抗衰老藥 已知，但只有兩種經過人體測試： 達沙替尼和槲皮素。 如果能找到更多可用於多種疾病的 senolytics 就太好了，但這需要 20 到 XNUMX 年的時間 數十億美元 使藥物進入市場。
五分鐘內出結果
我和我的同事——包括來自愛丁堡大學和西班牙桑坦德西班牙國家研究委員會 IBBTEC-CSIC 的研究人員——想知道我們是否可以訓練機器學習模型來識別新的 senolytic 候選藥物。
為此，我們向人工智能模型提供了已知的示例 senolytics 和非 senolytics。 這些模型學會了區分這兩者，並可用於預測他們以前從未見過的分子是否也可能是衰老藥物。
在解決機器學習問題時，我們通常首先在一系列不同模型上測試數據，因為其中一些模型往往比其他模型表現更好。 為了確定性能最佳的模型，在過程開始時，我們分離出一小部分可用的訓練數據，並將其隱藏在模型中，直到訓練過程完成。 然後，我們使用這些測試數據來量化模型所犯的錯誤數量。 犯錯誤最少的人獲勝。
我們確定了最佳模型並設置它來進行預測。 我們給它 4,340 個分子，五分鐘後它給出了一份結果列表。
AI 模型識別出 21 種得分最高的分子，認為這些分子很可能是 senolytics。 如果我們在實驗室測試了最初的 4,340 個分子，那麼光是購買這些化合物就需要至少幾週的緊張工作和 50,000 英鎊，這還不包括實驗機器和設置的成本。
然後，我們在兩種類型的細胞上測試了這些候選藥物：健康細胞和衰老細胞。 結果顯示，在 21 種化合物中，其中三種（periplocin、夾竹桃苷和銀杏素）能夠消除衰老細胞，同時保持大多數正常細胞的存活。 然後，這些新的 senolytics 接受了進一步的測試，以了解更多關於它們在體內如何發揮作用的信息。
更詳細的生物實驗表明，在這三種藥物中，夾竹桃苷比同類中已知性能最好的抗衰老藥物更有效。
這種涉及數據科學家、化學家和生物學家的跨學科方法的潛在影響是巨大的。 如果有足夠的高質量數據，人工智能模型可以加速化學家和生物學家為尋找疾病的治療方法所做的驚人工作——尤其是那些未滿足需求的疾病。
在衰老細胞中驗證了它們後，我們現在正在人體肺組織中測試這三種候選的衰老藥物。 我們希望在兩年後報告我們的下一個結果。
關於作者
凡妮莎·斯梅爾-巴雷托，遺傳學與分子醫學研究所研究員， 愛丁堡大學
相關書籍：
身體記錄分數：創傷癒合中的大腦和身體
作者：Bessel van der Kolk
這本書探討了創傷與身心健康之間的聯繫，提供了治療和恢復的見解和策略。
呼吸：失落藝術的新科學
通過詹姆斯·內斯特
這本書探討了呼吸的科學和實踐，提供了改善身心健康的見解和技巧。
植物悖論：導致疾病和體重增加的“健康”食品中的隱患
通過 Steven R. Gundry
這本書探討了飲食、健康和疾病之間的聯繫，提供了改善整體健康狀況的見解和策略。
免疫密碼：真正健康和徹底抗衰老的新範式
喬爾·格林
這本書提供了一個關於健康和免疫的新視角，借鑒了表觀遺傳學的原理，並提供了優化健康和衰老的見解和策略。
完整的禁食指南：通過間歇性、隔日和延長禁食來治愈您的身體
作者：Jason Fung 博士和 Jimmy Moore
本書探討了禁食的科學和實踐，提供了改善整體健康和保健的見解和策略。
