Väitös, tietotekniikka, MSc Muhammad Arslan Masood

Väitöskirjan nimi: Molecular representation learning for extreme low data in-vivo toxicity modeling

Väittelijä: Muhammad Arslan Masood 
Vastaväittäjä: Professori Ola Spjuth, Uppsala University, Ruotsi 
Kustos: Professori Samuel Kaski, Aalto-yliopiston perustieteiden korkeakoulu 

Uuden lääkkeen tuominen potilaiden käyttöön vaatii yli vuosikymmenen tutkimustyötä, ja silti yhdeksän kymmenestä lääkekandidaatista epäonnistuu kliinisissä tutkimuksissa. Noin kolmasosa näistä epäonnistumisista johtuu odottamattomasta toksisuudesta: haittavaikutuksista, jotka ilmenevät vasta ensimmäisissä ihmisillä tehtävissä tutkimuksissa ja joita aiemmat laboratorio- ja eläinkokeet eivät ole pystyneet ennakoimaan. Jokainen epäonnistuminen viivästyttää hoitoja, joita potilaat odottavat. 

Merkittävin ongelma on datan määrä ja laatu. Molekyylin vaikutusten mittaaminen elävässä elimistössä on hidasta ja kallista. Tutkimus nojaa edelleen myös eläinkokeisiin, joihin liittyy eettisiä huolia ja jotka eivät koskaan täysin vastaa ihmisen biologiaa. Luotettavaa dataa molekyylien turvallisuudesta on siksi niukasti, mikä on keskeinen este tekoälyn hyödyntämiselle lääkekehityksessä. Tämä väitöskirja kehittää koneoppimismenetelmiä, jotka ennustavat toksisuutta tarkasti jo vähäisen mittausdatan perusteella. 

Väitöskirja esittää kolme menetelmää. Ensimmäinen oppii kemian ”kielen” miljoonista molekyyleistä ilman kokeellisia mittauksia ja hyödyntää sen jälkeen epävarmuusarvioita valitakseen informatiivisimman seuraavaksi tehtävän kokeen. Näin tarkka toksisuusmalli voidaan kouluttaa huomattavasti harvemmilla laboratoriomittauksilla. Toinen menetelmä, VitroBERT, mukauttaa kielimallin oppimaan sekä kemiaa että laboratoriokokeissa mitattuja biologisia vuorovaikutuksia, mikä parantaa haittavaikutusten ennustamista sekä eläimillä että ihmisillä. Kolmas menetelmä, BioXMol, yhdistää molekyylirakenteen kahteen laboratoriossa mitattuun biologiseen signaaliin: muutoksiin solujen muodossa ja geenien aktiivisuudessa molekyylien aiheuttamana vasteena. Tämä rikkaampi näkökulma terävöittää ennusteita erityisesti kemiallisesti samankaltaisille yhdisteille, joiden toksisuus ihmisten välillä eroaa jyrkästi. Tällaisissa tapauksissa tavanomaiset kemialliset sormenjäljet toimivat heikommin. 

Yhdessä nämä menetelmät tekevät toksisuuden ennustamisesta luotettavampaa rajallisesta datamäärästä. Työ edistää lääkekandidaattien turvallisuusseulontaa, joka on nopeampaa, edullisempaa ja vähemmän riippuvaista eläinkokeista, ja nostaa esiin mahdollisesti haitalliset lääkekandidaatit ennen kuin ne päätyvät potilaille.

Linkki väitöskirjan sähköiseen esittelykappaleeseen (esillä 7 päivää ennen väitöstä): Aalto-yliopiston riiputussivu.

Yhteystiedot:
arslan.masood@aalto.fi 
https://www.linkedin.com/in/arslan-masood-26469890/