С помощью алгоритмов машинного обучения ученые нашли химические соединения, уничтожающие стареющие клетки. Исследование опубликовано в журнале Nature Communications. Исследователи из Эдинбургского университета разработали алгоритм машинного обучения для поиска сенолитиков — соединений, которые безопасно и эффективно уничтожают дефектные клетки.

ИИ проанализировал 4 000 различных химических соединений и выбрал из них 21 кандидата, которые потенциально оказывают нужный эффект. Тестирование подтвердило возможность безопасного использования трех соединений.

Обычно стареющие клетки удаляются из организма иммунной системой. Но с возрастом ее эффективность уменьшается и количество клеток с дефектами начинает расти. Это может привести к развитию различных заболеваний, в том числе рака и болезни Альцгеймера. Исследователи ранее выявили несколько многообещающих сенолитиков, но они часто токсичны для здоровых клеток.

Чтобы ускорить процесс поиска эффективных и безопасных соединений, шотландские исследователи разработали модель машинного обучения и научили ее распознавать ключевые характеристики химических веществ с сенолитическими свойствами. Они использовали для обучения базу данных из 2 523 различных химических соединений. Набор включал, как вещества с доказанной эффективностью, так и те, которые только проходят клинические испытания, или не имеют нужного эффекта.

Обученный ИИ проанализировал 4 000 различных химических соединений и определил 21 из них, которые потенциально могут оказывать воздействие на стареющие клетки и при этом не вредят организмам. Тестируя этих кандидатов, ученые подтвердили, что три химических вещества — гинкгетин, периплоцин и олеандрин — удаляют стареющие клетки, не повреждая здоровые. Все три вещества являются натуральными продуктами, которые входят в состав традиционных растительных лекарственных средств. При этом наиболее эффективным из них является олеандрин, содержащийся в соке олеандра.

Ученые отмечают, что результаты исследования демонстрируют, что эти соединения обладают эффективностью, сравнимой или превышающей эффективность сенолитиков, описанных в предыдущих исследованиях. Но самое важное, по их словам, то, что метод поиска, основанный на машинном обучении, оказался чрезвычайно эффективным, сократив количество соединений, которые необходимо было проверить, более чем в 200 раз.