Integrering av kunstig intelligens i kreftbehandling.

Kreft har en betydelig innvirkning på folkehelsen, derfor blir behovet for å finne effektive, trygge og bærekraftige behandlingsløsninger stadig mer presserende.

Báo Nhân dân•25/05/2026

Det forskes ved Institutt for kjemi for å finne potensielle krefthemmende forbindelser fra naturlig forekommende xantonstrukturer. (Foto: VAN NGA)

Det forskes ved Institutt for kjemi for å finne potensielle krefthemmende forbindelser fra naturlig forekommende xantonstrukturer. (Foto: VAN NGA)

Kreft påvirker folkehelsen betydelig, noe som gjør behovet for effektive, trygge og bærekraftige behandlingsløsninger stadig mer presserende. Integrering av kunstig intelligens (KI), høyytelsesdatabehandling og eksperimentell validering åpner for effektive tilnærminger i utformingen av xantonderivater for målrettet kreftbehandling.

Dataassistert legemiddeldesign (CADD) er i ferd med å bli en betydelig trend innen moderne farmasøytisk kjemi. I Vietnam åpner integreringen av AI og høyytelsesdatabehandling med eksperimentelle metoder for nye tilnærminger til å utnytte naturlige forbindelser. I denne studien ble xantonrammeverk valgt som et lovende kildemateriale, med en forskningsprosess orientert fra simulering til eksperimentell verifisering.

Ved siden av tradisjonelle behandlinger, beveger trenden innen moderne legemiddelutvikling seg sterkt mot målrettet legemiddeldesign, kombinert med avanserte beregningsteknologier for å forkorte forskningstiden og forbedre effektiviteten. I denne trenden tiltrekker naturlig avledede forbindelser, spesielt xantoner, seg oppmerksomhet på grunn av deres mangfoldige biologiske potensial, inkludert kreftbekjempende aktivitet. Effektiv utnyttelse av disse forbindelsene er imidlertid fortsatt begrenset hvis man utelukkende stoler på tradisjonelle eksperimentelle metoder, som er tidkrevende og kostbare.

Førsteamanuensis Dr. Pham Minh Quan og kollegene hans ved Institutt for kjemi (Vietnam Academy of Science and Technology) har implementert prosjektet «Forskning på bruk av beregningssimulering kombinert med eksperimentelle metoder for å søke etter potensielle kreftcellehemmende forbindelser fra naturlig avledede xantonrammeverkforbindelser». Dette prosjektet tar sikte på å bygge en integrert forskningsprosess der moderne beregningsmetoder som AI, molekylær simulering og høyytelsesdatabehandling brukes i kombinasjon med eksperimentell verifisering, noe som bidrar til å åpne opp en ny tilnærming innen legemiddelforskning og -utvikling i Vietnam.

Førsteamanuensis Dr. Pham Minh Quan uttalte at forskerteamet har bygget en database med xantonforbindelser, inkludert både forbindelser med eksisterende eksperimentelle data og de som brukes til virtuell screening. Basert på dette ble en maskinlæringsmodell utviklet og trent til å forutsi potensielle interaksjoner mellom forbindelser og kreftrelaterte biologiske mål, og dermed raskt generere en kortliste over potensielle forbindelser som hemmer proteinet som studeres. Å kombinere publiserte eksperimentelle data med beregningsmodeller gir tydeligere veiledning for screeningsprosessen, i stedet for å stole på den tradisjonelle "prøv-og-feile"-tilnærmingen.

Samtidig blir de farmakokinetiske parametrene og "legemiddellikhets"-indeksen til forbindelsene også predikert ved hjelp av spesialiserte beregningsverktøy. Dette sikrer at ikke bare forbindelser med høyt potensial til å hemme målproteinet velges, men også at essensielle kriterier for legemiddelutvikling, som absorpsjon, distribusjon og sikkerhet, oppfylles. Dette er et avgjørende skritt for å forbedre påliteligheten til beregningsprediksjonene og ytterligere innsnevre listen for å identifisere potensielle forløperforbindelser før man går videre til den eksperimentelle fasen.

Et høydepunkt i forskningen er anvendelsen av dyp læringsmodeller i design av nye derivater fra identifiserte ledende forbindelser. I stedet for bare å "søke", tok forskningen et avgjørende skritt ved å "designe" nye derivater basert på strukturene til ledende forbindelser med mål om å forbedre aktiviteten. Denne tilnærmingen demonstrerer tydelig rollen til AI ikke bare i dataanalyse, men også i å lage nye strukturelle forbindelser, en retning som får global oppmerksomhet innen legemiddeldesign.

Det er verdt å merke seg at studien, med listen over potensielle derivater innhentet fra simuleringsprosessen, fortsatte med semisyntese av disse derivatene basert på gamboginsyre – en xantonforbindelse som finnes i stor grad i harpiksen til Coptis chinensis-planten. To hovedgrupper av derivater, estere (11 forbindelser) og amider (8 forbindelser), ble syntetisert med høy effektivitet, og synteseprosessen ble også utviklet og publisert.

De oppnådde derivatene ble evaluert for deres biologiske aktivitet på kreftcellelinjer; de to mest lovende forbindelsene ble videre testet i dyremodeller for å bestemme deres tumorhemmende potensial, mens akutte og subkroniske toksisitetsvurderinger ble utført for å sikre sikkerhet. Resultatene viste at mange derivater viste betydelig antitumoraktivitet, i samsvar med simuleringsforutsigelser; metylgamgogat og morfolinylgambogamid skilte seg ut med sin overlegne tumorhemmende effekt.

Ifølge førsteamanuensis Dr. Pham Minh Quan står imidlertid implementeringen av integrert forskning fortsatt overfor mange utfordringer. For det første er det begrensninger i inndata for maskinlæringsmodeller på grunn av mangel på eksperimentelle datakilder av høy kvalitet, noe som påvirker prediktiv pålitelighet. I tillegg krever effektiv integrering mellom tverrfaglige forskningsgrupper, inkludert kjemi, biologi, bioinformatikk og datavitenskap, tett koordinering både innen ekspertise og arbeidsflyt.

Basert på disse innledende resultatene planlegger forskerteamet å utvide anvendelsen av CADD-modellen til andre grupper av naturlige forbindelser i fremtiden, samtidig som de diversifiserer terapeutiske mål og bidrar til forbedret forskning og utvikling av legemidler.

HIEU LIEN NGA

Kilde: https://nhandan.vn/tich-hop-ai-dieu-tri-ung-thu-post964425.html