Новости

Алгоритм машинного обучения идентифицирует 3 естественных антивозрастных химических вещества

Алгоритм машинного обучения идентифицирует 3 естественных антивозрастных вещества

Исследователи использовали модель машинного обучения, чтобы определить три соединения, которые могут бороться со старением. Они говорят, что их подход может быть эффективным способом выявления новых лекарств, особенно для лечения сложных заболеваний.

Деление клеток необходимо для роста нашего тела и обновления тканей. Клеточное старение описывает явление, при котором клетки навсегда перестают делиться, но остаются в организме, вызывая повреждение тканей и старение органов и систем тела.

Обычно стареющие клетки удаляются из организма нашей иммунной системой. Но с возрастом наша иммунная система становится менее эффективной в уничтожении этих клеток, и их количество увеличивается. Увеличение количества стареющих клеток было связано с такими заболеваниями, как рак, болезнь Альцгеймера и признаками старения, такими как ухудшение зрения и снижение подвижности. Учитывая потенциально пагубное воздействие на организм, были предприняты усилия по разработке эффективных сенолитиков, соединений, которые уничтожают стареющие клетки.

Предыдущие исследования выявили несколько многообещающих сенолитиков, но они часто токсичны для здоровых клеток. . В ходе исследования, проведенного учеными из Эдинбургского университета в Шотландии, был использован новаторский метод поиска химических веществ, которые могут безопасно и эффективно уничтожать эти дефектные клетки.

Они разработали модель машинного обучения и научили ее распознавать ключевые характеристики химических веществ с сенолитическими свойствами. Данные для обучения модели были получены из нескольких источников, включая научные статьи и коммерческие патенты, и были интегрированы с соединениями из двух существующих библиотек химических веществ, которые содержат широкий спектр соединений, одобренных FDA или находящихся на клинической стадии.

Полный набор данных содержал 2523 соединения и включал соединения как с сенолитическими, так и с несенолитическими свойствами, чтобы не искажать алгоритм машинного обучения. Затем алгоритм был использован для проверки более 4000 химических веществ, из которых был идентифицирован 21 потенциальный кандидат.

Тестируя этих кандидатов, исследователи обнаружили, что три химических вещества — гинкгетин, периплоцин и олеандрин — удаляют стареющие клетки, не повреждая здоровые клетки. Было обнаружено, что из трех наиболее эффективным является олеандрин. Все три являются натуральными продуктами, которые используются в традиционных лечебных травах.

Олеандрин извлекают из растения олеандра (Nerium oleander).) и обладает свойствами, подобными дигоксину, который используется для лечения сердечной недостаточности и некоторых нарушений сердечного ритма (аритмии). Исследования показали, что олеандрин обладает противораковыми, противовоспалительными, анти-ВИЧ, противомикробными и антиоксидантными свойствами. Олеандрин очень токсичен за пределами терапевтических уровней, что для человека является очень узким окном, что затрудняет его клиническое применение. Таким образом, он не был одобрен регулирующими органами в качестве отпускаемого по рецепту лекарства или пищевой добавки.

Как и олеандрин, гинкгетин проявляет противораковые, противовоспалительные, противомикробные, антиоксидантные и нейропротекторные свойства. Гинкгетин извлекают из дерева гинкго (Ginkgo biloba), старейшего из ныне живущих видов деревьев, листья и семена которого тысячи лет использовались в китайской фитотерапии. Высококонцентрированный экстракт Ginkgo biloba, изготовленный из высушенных листьев дерева, доступен без рецепта. Это одна из самых продаваемых травяных добавок в США и Европе.

Периплоцин выделяют из коры корня китайской шелковой лозы (Periploca sepium).). Исследования показали, что он может улучшать работу сердца, а также блокировать рост клеток и вызывать гибель раковых клеток.

Исследователи говорят, что их результаты показывают, что эти соединения обладают эффективностью, сравнимой или превышающей эффективность сенолитиков, описанных в предыдущие исследования. Что еще более важно, по их словам, их метод, основанный на машинном обучении, оказался чрезвычайно эффективным, сократив количество соединений, которые необходимо было проверить, более чем в 200 раз.

Исследователи говорят, что их подход, основанный на ИИ, представляет собой веху в выявлении новых лекарств, особенно для лечения сложных заболеваний.

«Это исследование демонстрирует, что ИИ может быть невероятно эффективным, помогая нам выявлять новые лекарства-кандидаты, особенно на ранних стадиях. открытия лекарств и для заболеваний со сложной биологией или несколькими известными молекулярными мишенями», — сказал Диего Оярсун, корреспондент исследования.

Они также говорят, что этот подход более экономичен, чем стандартные методы скрининга лекарств, такие как как доклинические и клинические испытания.

«Эта работа стала результатом интенсивного сотрудничества между учеными, химиками и биологами, — говорит Ванесса Смер-Баррето, ведущий автор исследования. «Используя сильные стороны этого междисциплинарного сочетания, мы смогли построить надежные модели и сократить расходы на скрининг, используя только опубликованные данные для обучения моделей. Я надеюсь, что эта работа откроет новые возможности для ускорения применения этой захватывающей технологии».

Исследование было опубликовано в журнале Nature Communications.

Источник

Нажмите, чтобы оценить статью
[Итого: 0 Среднее значение: 0]

Похожие статьи

Добавить комментарий

Ваш адрес email не будет опубликован.

Кнопка «Наверх»