Dr. Csikász-Nagy Attila vezető kutatónk közreműködésével a Drug Discovery Today folyóiratban megjelent áttekintő tanulmány új megközelítésben tárgyalja az alábbi problémát.
A gyógyszerfejlesztés egyik legnagyobb kihívása a molekuláris szerkezetből származó mellékhatások megbízható, korai előrejelzése. A hagyományos mesterséges intelligencia (MI)‑alapú predikciók jellemzően vagy kémiai szerkezeti jellemzőkből indulnak ki, vagy „fekete doboz” neurális hálózatokra támaszkodnak, amelyek ugyan képesek hasonlóságokat felismerni, de kevés mechanisztikus magyarázatot adnak az eredményekhez.
A legfrissebb, Drug Discovery Today folyóiratban megjelent áttekintő tanulmány ennek a problémának egy új paradigmáját vázolja fel: biológiailag értelmezhető köztes reprezentációk kialakítását a digitális iker („digital twin”) koncepciójára építve. Ebben a megközelítésben a kis molekulák potenciális off‑target fehérjéit és azok sejtszintű hatásait modellezzük előre, majd ezekre az értelmezhető, rendszerszintű jellemzőkre építve tanítjuk a prediktív modelleket.
Ez a stratégia két fontos előnnyel jár:
Interpretálhatóság: A predikciók nem csupán matematikai becslések, hanem biológiailag értelmezett összefüggéseket is feltárnak, amelyek lehetővé teszik a mechanizmusok megértését és a további kísérleti tervezést.
Akcióképes insight: A köztes reprezentációk segítségével nemcsak a potenciális mellékhatások előrejelzése válik pontosabbá, hanem az off‑target hatások módosítására, valamint a racionális polifarmakológiai stratégiák tervezésére is alkalmas eszközöket kapunk.
A tanulmányban közreműködő Csikász‑Nagy Attila és munkatársai e megközelítést olyan kontextusban vizsgálják, amely egyszerre szolgálja a biztonságosabb gyógyszerfejlesztést és a bioinformatikai modellezés elméleti fejlődését.
Cikk innen tölthető le.
