Projekt: Ansvarsfull användning av AI för protein–ligandenergier (RED-ALE)
Projektet syftar till att ta fram riktlinjer för ansvarsfull användning av AI vid beräkning av bindningsenergi mellan proteiner och ligander, något som är centralt för läkemedelsutveckling och toxicologisk riskbedömning. Målet är att säkerställa att AI-modeller är noggranna, transparenta, jämförbara med experimentella data och kan generaliseras bortom träningsdata för att undvika feltolkningar och överskattad nytta.
Fakta om projektet
Projektledare vid Linneuniversitetet
Ran Friedman
Övriga projektmedlemmar
Forskningsledare: Elena Papaleo, Danish Cancer Institute Nathalie Reuter, University of Bergen (UiB), Daumantas Matulis, Vilnius University (VU)
Övriga medlemmar: Amilcar Soares Junior, Linnéuniversitetet, Parveen Gartan, UiB Odd André Karlsen, University of Bergen (UiB), Vytautas Petrauskas, Vilnius University (VU), Marius Gedgaudas, Vilnius University (VU)
Deltagande organisationer
Linnéuniversitetet, Danish Cancer Institute, Vilnius University (VU)
Finansiär
Nordforsk, Ansvarsfull användning av artificiell intelligens i den nordisk-baltiska regionen
Tidsplan
1 mars 2026 - 31 mars 2030
Ämne
Kemi, biomedicinsk vetenskap, biomedicin (institutionen för kemi och biomedicin, fakulteten för hälso- och livsvetenskap), AI/ML, datavetenskap och medieteknik (institutionen för datavetenskap och medieteknik, fakulteten för teknik)
Forskargrupp
Computational Chemistry and Biochemistry Group (CCBG)
Spetsforskningscenter
Linnaeus University Centre of Excellence (Lnuc) for Biomaterials Chemistry
Mer om projektet
Projektet syftar till att utveckla riktlinjer för ansvarsfull användning av AI för att förutsäga protein-ligandbindningsenergier för att säkerställa att AI-metoder används ansvarsfullt inom läkemedelsutveckling och toxikologi. Detta projekt fokuserar på ansvarsfull användning av AI för att förutsäga protein-ligand-bindningsenergier, vilket är avgörande för läkemedelsutveckling och toxikologi. De nordiska och baltiska länderna har starka läkemedels- och biotekniksektorer som är starkt beroende av beräkningsmetoder för att designa nya läkemedel och medicintekniska produkter. Molekylär igenkänning, interaktionen mellan biologiska makromolekyler och mindre molekyler, är nyckeln till att designa nya läkemedel och bedöma de toxikologiska effekterna av föroreningar. Att mäta protein-ligand-bindningsenergin är det mest grundläggande sättet att kvantifiera molekylär igenkänning. AI, särskilt maskininlärning (ML) och djupinlärning (DL), har använts i stor utsträckning för att förutsäga protein-ligandbindningsenergier.
Den snabba utvecklingen av AI-metoder och bristen på standardiserade tester gör det dock svårt att utvärdera deras noggrannhet och tillförlitlighet. Dessutom saknas ofta databaser för molekylär igenkänning, vilket leder till oro. Näringslivet har nyligen varnat för det växande gapet mellan upplevda framsteg och den verkliga effekten av AI inom detta område. En diskussion om ansvarsfull användning av AI vid beräkning av protein-ligandbindningsenergier saknas nästan helt.
Projektet belyser behovet av ansvarsfull användning av AI vid förutsägelse av protein-ligand-affinitet, med fokus på flera viktiga aspekter:
- Noggrannhet: AI-modeller måste jämföras med experimentella data, med tanke på begränsningarna hos dessa experiment som ofta ignoreras.
- Verklig kostnad: Utvecklings-, test- och driftsättningskostnaderna för AI-modeller måste rapporteras transparent.
- Datatillgänglighet: Det finns ett behov av högkvalitativa protein-ligandaffinitetsdatabaser för att stödja AI-algoritmer.
- Överförbarhet: AI-modeller bör vara tillämpliga på olika datamängder, även de som inte ingår i tränings- och testuppsättningarna.
- Brist på insikt: AI-modeller fungerar ofta som svarta lådor, vilket gör det svårt att förstå de underliggande kemiska, biologiska och fysikaliska processerna.
Ytterst kommer vi att utveckla riktlinjer för ansvarsfull användning av AI för att förutsäga protein-ligandbindningsenergier. Genom att fastställa dessa riktlinjer syftar förslaget till att säkerställa att AI-metoder används ansvarsfullt inom läkemedelsutveckling och toxikologi, vilket i slutändan gynnar vetenskaplig forskning och folkhälsa. Det multinationella, tvärvetenskapliga konsortium som kommer att arbeta med detta involverar forskare med expertis inom biologi, beräkningskemi, datavetenskap, cancerforskning och toxikologi.
Projektet är en del av forskningen i forskargruppen Computational Chemistry and Biochemistry Group (CCBG) samt i Linnéuniversitetets spetsforskningsgrupp Linnaeus University Centre of Excellence (Lnuc) for Biomaterials Chemistry