Integrering av AI i cancerbehandling.

Cancer har en betydande inverkan på folkhälsan, därför blir behovet av att hitta effektiva, säkra och hållbara behandlingslösningar alltmer brådskande.

Báo Nhân dân•25/05/2026

Forskning bedrivs vid Kemiska institutionen för att hitta potentiellt cancerhämmande föreningar från naturligt förekommande xantonstrukturer. (Foto: VAN NGA)

Forskning bedrivs vid Kemiska institutionen för att hitta potentiellt cancerhämmande föreningar från naturligt förekommande xantonstrukturer. (Foto: VAN NGA)

Cancer påverkar folkhälsan avsevärt, vilket gör behovet av effektiva, säkra och hållbara behandlingslösningar alltmer brådskande. Integreringen av artificiell intelligens (AI), högpresterande datoranvändning och experimentell validering öppnar upp för effektiva metoder för utformningen av xantonderivat för riktad cancerbehandling.

Datorstödd läkemedelsdesign (CADD) håller på att bli en betydande trend inom modern farmaceutisk kemi. I Vietnam öppnar integrationen av AI och högpresterande datorteknik med experimentella metoder upp nya sätt att utnyttja naturliga föreningar. I denna studie valdes xantonramverk som ett lovande källmaterial, med en forskningsprocess inriktad på från simulering till experimentell verifiering.

Vid sidan av traditionella behandlingar skiftar trenden inom modern läkemedelsutveckling starkt mot målinriktad läkemedelsdesign, i kombination med avancerad beräkningsteknik för att förkorta forskningstiden och förbättra effektiviteten. I denna trend drar naturligt härledda föreningar, särskilt xantoner, till sig uppmärksamhet på grund av deras mångsidiga biologiska potential, inklusive anticanceraktivitet. Det effektiva utnyttjandet av dessa föreningar är dock fortfarande begränsat om man enbart förlitar sig på traditionella experimentella metoder, vilka är tidskrävande och kostsamma.

Docent Dr. Pham Minh Quan och hans kollegor vid Institute of Chemistry (Vietnam Academy of Science and Technology) har genomfört projektet "Forskning om användning av beräkningssimulering i kombination med experimentella metoder för att söka efter potentiella cancercellshämmande föreningar från naturligt härledda xantonramverksföreningar". Detta projekt syftar till att bygga en integrerad forskningsprocess där moderna beräkningsmetoder som AI, molekylär simulering och högpresterande datoranvändning används i kombination med experimentell verifiering, vilket bidrar till att öppna upp en ny metod för läkemedelsforskning och utveckling i Vietnam.

Docent Dr. Pham Minh Quan uppgav att forskargruppen har byggt en databas med xantonföreningar, inklusive både föreningar med befintliga experimentella data och de som används för virtuell screening. Baserat på detta utvecklades och tränades en maskininlärningsmodell för att förutsäga potentiella interaktioner mellan föreningar och cancerrelaterade biologiska mål, och därigenom snabbt generera en kortlista över potentiella föreningar som hämmar det studerade proteinet. Att kombinera publicerade experimentella data med beräkningsmodeller ger tydligare vägledning för screeningprocessen, snarare än att förlita sig på den traditionella "trial-and-error"-metoden.

Samtidigt förutsägs även de farmakokinetiska parametrarna och "läkemedelslikhetsindex" för föreningarna med hjälp av specialiserade beräkningsverktyg. Detta säkerställer att inte bara föreningar med hög potential att hämma målproteinet väljs ut, utan också att viktiga kriterier för läkemedelsutveckling, såsom absorption, distribution och säkerhet, uppfylls. Detta är ett avgörande steg för att förbättra tillförlitligheten hos de beräkningsmässiga förutsägelserna och ytterligare begränsa listan för att identifiera potentiella prekursorföreningar innan man går vidare till den experimentella fasen.

En höjdpunkt i forskningen är tillämpningen av djupinlärningsmodeller för att designa nya derivat från identifierade ledande föreningar. Istället för att bara "söka" tog forskningen ett avgörande steg genom att "designa" nya derivat baserade på strukturerna hos ledande föreningar med målet att förbättra aktiviteten. Denna metod visar tydligt AI:s roll inte bara i dataanalys utan också i att skapa nya strukturella föreningar, en riktning som får global uppmärksamhet inom läkemedelsdesign.

Det är värt att notera att studien, med listan över potentiella derivat som erhållits från simuleringsprocessen, fortsatte med semisyntes av dessa derivat baserade på gamboginsyra – en xantonförening som finns rikligt förekommande i hartset från växten Coptis chinensis. Två huvudgrupper av derivat, estrar (11 föreningar) och amider (8 föreningar), syntetiserades med hög effektivitet, och syntesprocessen utvecklades och publicerades också.

De erhållna derivaten utvärderades med avseende på deras biologiska aktivitet på cancercellinjer; de två mest lovande föreningarna testades vidare i djurmodeller för att bestämma deras tumörhämmande potential, medan bedömningar av akut och subkronisk toxicitet utfördes för att säkerställa säkerhet. Resultaten visade att många derivat uppvisade signifikant antitumöraktivitet, vilket överensstämde med simuleringsförutsägelser; metylgamgogat och morfolinylgambogamid utmärkte sig med sin överlägsna tumörhämmande effekt.

Enligt docent Dr. Pham Minh Quan står dock implementeringen av integrerad forskning fortfarande inför många utmaningar. För det första finns det begränsningar i indata för maskininlärningsmodeller på grund av brist på högkvalitativa experimentella datakällor, vilket påverkar den prediktiva tillförlitligheten. Dessutom kräver effektiv integration mellan tvärvetenskapliga forskargrupper, inklusive kemi, biologi, bioinformatik och datavetenskap, nära samordning av både expertis och arbetsflöde.

Baserat på dessa inledande resultat planerar forskargruppen att utöka tillämpningen av CADD-modellen till andra grupper av naturliga föreningar i framtiden, samtidigt som de diversifierar terapeutiska mål och bidrar till förbättrad forskning och utveckling av läkemedel.

HIEU LIEN NGA

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