За допомогою алгоритмів машинного навчання вчені знайшли хімічні сполуки, що знищують старіючі клітини. Дослідження опубліковано в журналі Nature Communications.
Дослідники з Единбурзького університету розробили алгоритм машинного навчання для пошуку сенолітиків — з’єднань, які безпечно і ефективно знищують дефектні клітини. ШІ проаналізував 4 000 різних хімічних сполук і вибрав з них 21 кандидата, які потенційно надають потрібний ефект. Тестування підтвердило можливість безпечного використання трьох з’єднань.
Зазвичай старіючі клітини видаляються з організму імунною системою. Але з віком її ефективність зменшується і кількість клітин з дефектами починає рости. Це може привести до розвитку різних захворювань, в тому числі раку і хвороби Альцгеймера. Дослідники раніше виявили кілька багатообіцяючих сенолітиків, але вони часто токсичні для здорових клітин.
Щоб прискорити процес пошуку ефективних і безпечних з’єднань, шотландські дослідники розробили модель машинного навчання і навчили її розпізнавати ключові характеристики хімічних речовин з сенолітичними властивостями. Вони використовували для навчання базу даних з 2 523 різних хімічних сполук. Набір включав, як речовини з доведеною ефективністю, так і ті, які тільки проходять клінічні випробування, або не мають потрібного ефекту.
Навчений ШІ проаналізував 4 000 різних хімічних сполук і визначив 21 з них, які потенційно можуть впливати на старіючі клітини і при цьому не шкодять організмам. Тестуючи цих кандидатів, вчені підтвердили, що три хімічних речовини — гінкгетін, периплоцин і олеандрін — видаляють старіючі клітини, не пошкоджуючи здорові.
Всі три речовини є натуральними продуктами, які входять до складу традиційних рослинних лікарських засобів. При цьому найбільш ефективним з них є олеандрін, що міститься в соку олеандра.
Вчені відзначають, що результати дослідження демонструють, що ці сполуки мають ефективність, порівнянну або яка перевищує ефективність сенолітиків, описаних в попередніх дослідженнях. Але найважливіше, за їхніми словами, те, що метод пошуку, заснований на машинному навчанні, виявився надзвичайно ефективним, скоротивши кількість з’єднань, які необхідно було перевірити, більш ніж в 200 разів.