![]() |
Nhóm nghiên cứu Đại học Toronto chứng minh được hiệu quả cao khi sử dụng Máy học thiết kế và phát triển thuốc mới. Ảnh SciTech Daily |
Các nhà khoa học tại Đại học Toronto đã thử nghiệm thành công sử dụng các mô hình Máy học hướng dẫn thiết kế những công thức thuốc tiêm tác dụng lâu dài. Tiềm năng của những thuật toán Máy học giúp tăng tốc thiết kế công thức thuốc, giảm thời gian và chi phí liên quan đến phát triển thuốc, hỗ trợ những loại thuốc mới đầy triển vọng được đưa vào sử dụng nhanh hơn.
Nghiên cứu được công bố ngày10/1/ 2023 trên tạp chí Nature Communications và là một trong những nghiên cứu đầu tiên áp dụng những kỹ thuật Máy học thiết kế các công thức thuốc tiêm trên nền tảng vi hạt polymer tác dụng lâu dài.
Nghiên cứu đa ngành do GS Christine Allen thuộc Khoa khoa học dược phẩm và GS Alan Aspuru-Guzik thuộc Khoa hóa học và khoa học máy tính. Cả hai nhà nghiên cứu cũng là thành viên của Hiệp hội Tăng tốc (AC), một sáng kiến toàn cầu sử dụng trí tuệ nhân tạo và tự động hóa nhằm đẩy nhanh tiến trình khám phá những vật liệu và phân tử cần thiết cho sự phát triển thuốc tương lai.
Christine Allen, GS khoa học dược phẩm tại Khoa Dược Leslie Dan, Đại học Toronto cho biết: “Nghiên cứu này thực hiện một bước quan trọng trong tiến trình phát triển công thức thuốc trên cơ sở dữ liệu, tập trung vào thuốc tiêm tác dụng kéo dài. Chúng tôi đã chứng kiến, Máy học tạo ra những bước tiến nhảy vọt đáng kinh ngạc trong khả năng khám phá những phân tử mới có tiềm năng trở thành thuốc. Chúng tôi hiện đang làm việc theo hướng ứng dụng các kỹ thuật tương tự, giúp thiết kế những công thức thuốc tốt hơn và đạt được những loại thuốc tốt hơn.”
![]() |
Christine Allen và Alán Aspuru-Guzik thuộc Đại học Toronto, kết hợp kiến thức chuyên môn về khoa học dược phẩm, AI và Máy học, phát triển các công thức thuốc mới nhanh hơn. Ảnh: Steve Southon |
Được coi là một trong những chiến lược điều trị hứa hẹn nhất chữa trị những bệnh mãn tính, thuốc tiêm tác dụng kéo dài (LAI) là một nhóm hệ thống phân phối thuốc tiên tiến, được thiết kế để giải phóng dược chất trong thời gian dài nhằm đạt được hiệu quả điều trị lâu dài. Phương thức tiếp cận này giúp bệnh nhân tuân thủ chế độ dùng thuốc tốt hơn, giảm tác dụng phụ và tăng hiệu quả khi được tiêm gần vị trí gây tác dụng trong cơ thể. Nhưng để đạt được lượng giải phóng dược chất tối ưu trong khoảng thời gian mong muốn, đòi hỏi phải phát triển và xác định chính xác những đặc tính của rất nhiều những ứng viên thuốc được bào chế, thông qua hàng loạt thí nghiệm mở rộng ngoài phạm vi mục tiêu, tốn nhiều thời gian và chi phí. Phương thức tiếp cận “thử và sai” này tạo ra một tắc nghẽn lớn trong quá trình phát triển LAI so với những dạng bào chế thuốc thông thường.
“AI đang thay đổi cách chúng ta làm khoa học. AI giúp tăng tốc khám phá và tối ưu hóa. Đây là một ví dụ hoàn hảo về giai đoạn 'Trước AI' và 'Sau AI', đồng thời nghiên cứu đa ngành này cho thấy, quá trình phân phối thuốc có thể bị ảnh hưởng thế nào,” Alán Aspuru-Guzik, GS hóa học và khoa học máy tính, Đại học Toronto, chủ tịch tổ chức Nghiên cứu Trí tuệ Nhân tạo CIFAR tại Viện Vector ở Toronto.
Để xác định, liệu các công cụ học máy có thể dự đoán chính xác tốc độ giải phóng thuốc hay không, nhóm nghiên cứu đã đào tạo và thử nghiệm đánh giá bằng 11 mô hình khác nhau như hồi quy tuyến tính bội (MLR), rừng ngẫu nhiên (RF), máy tăng cường độ dốc ánh sáng (lightGBM) và mạng lưới thần kinh (NN). Tập dữ liệu được sử dụng để đào tạo những mô hình Máy học đã liệt kê được xây dựng từ những nghiên cứu đã xuất bản trước đây của các tác giả và các nhóm nghiên cứu khác.
“Sau khi có tập dữ liệu, chúng tôi chia thành hai tập hợp con: một tập hợp được sử dụng để huấn luyện các mô hình và một tập hợp để thử nghiệm. Sau đó, chúng tôi yêu cầu các mô hình dự đoán kết quả của bộ thử nghiệm và so sánh trực tiếp với những dữ liệu thử nghiệm trước đó. Kết quả cho thấy, các mô hình trên cơ sở dạng cây, cụ thể là lightGBM, đưa ra những dự đoán chính xác nhất,” Pauric Bannigan, cộng tác viên nhóm nghiên cứu Allen tại Khoa Dược Leslie Dan, Đại học Toronto, cho biết.
Bước tiếp theo, nhóm thử nghiệm áp dụng những dự đoán này và minh họa cách sử dụng những mô hình máy học để thông báo thiết kế LAI mới. Nhóm cũng sử dụng những kỹ thuật phân tích nâng cao để trích xuất các tiêu chí thiết kế từ mô hình lightGBM.
Kỹ thuật này cho phép thiết kế một công thức LAI mới cho một loại thuốc hiện đang được sử dụng để điều trị ung thư buồng trứng. Bannigan cho biết: “Sau khi có một mô hình được đào tạo, có thể hiểu được những gì Máy học có khả năng và sử dụng mô hình Máy học đó để phát triển các tiêu chí thiết kế cho những loại thuốc mới.”
“Sau khi có những tiêu chí mới do mô hình thiết lập, nhóm nghiên cứu có thể kiểm tra tốc độ giải phóng dược chất và xác nhận những dự đoán do mô hình lightGBM đưa ra. Kết quả cho thấy, công thức do Máy học thiết kế có tốc độ giải phóng chậm mà chúng tôi đang tìm kiếm. Kết quả thu được có ý nghĩa rất quan trọng vì trong quá khứ, các nhà bào chế phải thử nghiệm lặp lại nhiều lần để có được một hồ sơ phát hành tương tự,” ông nói.
Kết quả của nghiên cứu mới có nhiều hứa hẹn, cho thấy tiềm năng học máy có thể giảm sự phụ thuộc vào số lượng các thử nghiệm thử và sai, làm chậm tốc độ phát triển của thuốc tiêm tác dụng kéo dài.
Nhưng các tác giả của nghiên cứu xác định rằng việc thiếu những bộ dữ liệu nguồn mở, có sẵn trong khoa học dược phẩm là một thách thức lớn đối với tiến trình phát triển LAI trong tương lai. GS Allen cho biết: “Khi chúng tôi bắt đầu dự án này, chúng tôi đã rất ngạc nhiên vì thiếu dữ liệu báo cáo trong rất nhiều những nghiên cứu, sử dụng các vi hạt polymer.
GS Allen nói: “Điều này có nghĩa là những nghiên cứu và thử nghiệm liên quan đến vi hạt polymer không thể được tận dụng để phát triển những mô hình Máy học mà chúng ta cần để thúc đẩy những tiến bộ trong lĩnh vực bào chế LAI. Tình huống cho thấy một nhu cầu cấp thiết là xây dựng những cơ sở dữ liệu mạnh về khoa học dược phẩm, truy cập mở và sẵn có cho tất cả mọi người để có thể cùng phát triển lĩnh vực này.
Để thúc đẩy phát triển cơ sở dữ liệu mở cần thiết, có thể dễ dàng truy cập, hỗ trợ tích hợp Máy học vào khoa học dược phẩm rộng rãi hơn, nhóm nghiên cứu do GS Allen dẫn đầu đã cung cấp bộ dữ liệu và code trên nền tảng mã nguồn mở Zenodo.
Cộng tác viên Bannigan cho biết: “Đối với nghiên cứu này, mục tiêu của chúng tôi là hạ thấp rào cản áp dụng Máy học máy trong khoa học dược phẩm. Chúng tôi đã cung cấp đầy đủ bộ dữ liệu nghiên cứu với hy vọng những nhà khác hy vọng có thể phát triển trên những kết quả này. Chúng tôi muốn đây là sự khởi đầu của một con đường mới, sử dụng máy học trong thiết kế và phát triển các công thức thuốc.”
Theo SciTech Daily