Um den zeitlichen Aufwand und die Kosten für die Entwicklung neuer Medikamente gegen biologische Pathogene zu reduzieren, haben Forschungen zu künstlicher Intelligenz (KI), maschinellem Lernen (ML) und Deep Learning (DL) Wissenschaftlern ermöglicht, sich auf schnelles Medikamentendesign und die Entwicklung zu konzentrieren, indem sie DL mit den Grundlagen der Geometrie kombinieren, um die Misserfolgsraten, die Zeitpläne und die mit der Entwicklung von Medikamenten verbundenen Kostenrisiken zu reduzieren. Um biologische Pathogene effektiv abzuwehren und einen wissenschaftlichen und technologischen Vorsprung zu wahren, hat die Defense Threat Reduction Agency (DTRA) in ihrer Rolle als Joint Science and Technology Office (JSTO) für chemische und biologische Verteidigung in Zusammenarbeit mit der University of Pennsylvania in Grundlagenforschung investiert, um schnell Medikamente zu entwickeln, die auf Aspekten des maschinellen Lernens basieren.
Traditionell werden neue Medikamente durch aufwendige Laboruntersuchungen und Experimente entwickelt. Die UPenn-Forscher haben ein Modellsystem entwickelt, das DL verwendet, um neue antimikrobielle Peptide (AMPs) zu identifizieren. AMPs sind natürliche Peptide mit antimikrobieller Aktivität, die eine breite Palette von antibakteriellen, antifungalen, antiviralen und antiparasitären Wirkungen zeigen. Anhand von GDL konnten die UPenn-Forscher AMPs identifizieren, die hohe Zielgenauigkeit und Affinität aufweisen, was sich in einer höheren antimikrobiellen Potenz niederschlägt. GDL kann die komplexen Beziehungen zwischen geometrischen Eigenschaften und der Funktion dieser Moleküle erfassen. Im Vergleich zu traditionellen DL-Methoden berücksichtigt GDL grundlegende strukturelle Merkmale auf drei Arten: Manigfaltigkeiten, Sequenzen und Graphen, um wichtige Merkmale für die antimikrobielle Aktivität zu identifizieren. Kandidaten, die durch GDL identifiziert wurden und gewünschte medikamentenähnliche Eigenschaften gegen eine Vielzahl von biologischen Pathogenen aufweisen, haben das Potenzial, zu effektiven Gegenmaßnahmen zu werden.
In der mathematischen und Informatik liefert die nicht-euklidische Geometrie Informationen über Merkmale sphärischer und hyperbolischer Objekte und ihre gekrümmten Eigenschaften, während sich die euklidische Geometrie auf ebene Flächen ohne Krümmung konzentriert. Die ML-Algorithmen zur Vorhersage der 3D-Eigenschaften von AMPs müssen all diese nicht-euklidischen Faktoren berücksichtigen. Durch die Kombination von DL mit den Prinzipien der 3D-Geometrie kann GDL die Peptidbindungen, räumlichen Winkel der Aminosäuren und andere molekulare Eigenschaften genauer repräsentieren und somit eine effiziente Methode für das Medikamentendesign und die Vorhersage biologischer Moleküle bereitstellen.