一种利用机器学习寻找其他未开发的有治疗价值的非活性成

普通药物含有八种“非活性”成分的混合物，添加到药丸中，使它们味道更好，持续时间更长，并稳定其中的活性成分。这些添加剂中的一些现在正密切关注它们在一些患者中引起过敏反应的能力。但是现在，麻省理工学院的研究人员发现，另外两种无效成分实际上可以提高药物的强度，从而使一些患者受益。

在3月17日《Cell Reports》发布的一项研究中，研究人员报告称，维生素A棕榈酸酯(一种常见的补充剂)和树胶脂(一种用于片剂和口香糖的流行上光剂)可以使数百种药物从凝血剂和抗衰老剂中更有效。用于非处方止痛药的抗癌药物。他们还概述了一种利用机器学习发现其他未开发的具有治疗价值的非活性成分的方法。

该研究的资深作者、布里格姆妇女医院的机械工程和胃肠病学助理教授乔瓦尼特拉弗斯(Giovanni Traverso)说：“任何摄入的物质都有潜在的影响，但在分子水平上追踪这种影响可能很难。”"机器学习为你提供了一种缩小搜索空间的方法."

研究人员选择集中研究在体内药物输送中起重要作用的两种蛋白质：转运蛋白P-糖蛋白(P-gp)和代谢蛋白UDP-葡萄糖醛基转移酶2B7(UGT2B7)。其中一项或两项都涉及对美国食品和药物管理局(FDA)批准的近1900种药物的20%进行监管。

研究人员想知道美国食品和药物管理局批准的800种食品和药物添加剂中是否有任何一种会扭曲这两种蛋白质的功能。手动筛选所有800种化合物将是乏味和昂贵的。因此，他们建立了一个计算机平台来完成他们的工作，并采用了制药公司用来消除药物相互作用的方法。

他们为该系统提供了美国食品和药物管理局800种无效成分的化学结构，以及数百万种已知干扰酶功能的药物和其他化合物。然后，他们要求该平台预测哪些食品和药物添加剂最有可能破坏P-gp和UGT2B7，并通过允许更多药物进入体内(如P-gp)或减缓其出口来改变药物(如UGT2B7)的功效。

机器学习使研究人员能够快速比较数百万种药物和非活性成分，以确定哪些添加剂最有可能产生效果。出现了两种最佳候选物：维生素A棕榈酸酯(作为预期的P-gp抑制剂)和松香酸(作为预期的UGT2B7抑制剂)，后者是树胶的一种成分。

接下来，研究人员开始在实验室里对计算机的预测进行物理测试。在一个实验中，他们给老鼠服用维生素A强化水，然后服用正常剂量的血块华法林。通过简单的血液测试，他们证实老鼠吸收了超过30%的药物，这有力地表明维生素A改善了华法林的吸收。

在第二个实验中，他们用一小块猪肝处理了一种由于UGT2B7消化而失去荧光能力的物质。加入松香酸后，物质继续发出荧光。药物开发者用这个测试来确认药物可以用作酶抑制剂。在这里，研究人员证实松香酸确实如预期的那样靶向UGT2B7。特拉弗斯说，虽然没有实际的药物被测试，结果表明，如果树胶脂与普通止痛药如布洛芬一起服用，它可以增加其强度，就像维生素A对小鼠的华法林起作用一样。

机器学习方法对识别和设计新药越来越有帮助。在最近的一项发现中，麻省理工学院的研究人员利用深度学习算法在“药物再利用中心”发现了一种全新的抗生素。该数据库是已批准或正在审查中的人类使用化合物的数据库。由于该算法对杀细菌剂的外观没有预想的想法，该化合物被隐藏作为一种建议的糖尿病治疗方法。

就像药品再利用中心一样，美国食品和药物管理局的非活性成分清单对药品开发商来说是一个巨大的吸引力。这项研究的主要作者丹尼尔里克是麻省理工学院科赫综合癌症研究所瑞士国家科学基金会的博士后研究员，他说这些成分已经在市场上销售，尽管它们还没有被批准用于新的用途。如果发现了有前景的生物关联，这一发现可以很快转移到临床试验中。相比之下，测试实验室合成或发现的新分子的安全性可能需要数年时间。