Uczenie maszynowe (machine learning) to dziedzina sztucznej inteligencji dotycząca algorytmów, które poprawiają się automatycznie poprzez doświadczenie - uczą się. Algorytmy uczenia maszynowego budują model matematyczny na podstawie przykładowych danych, zwanych zbiorem uczącym, w celu prognozowania lub podejmowania decyzji, bez potrzeby bycia zaprogramowanymi do konkretnego celu przez człowieka.

Stworzenie nowego leku trwa wiele lat, dlatego znacznie łatwiej jest wykorzystać już istniejące leki w nowe sposoby. Wybuch pandemii COVID-19 skłonił lekarzy i naukowców do sięgnięcia po skuteczniejsze metody poszukiwań nowych zastosowań leków już istniejących.

Zespół Caroline Uhler z Massachusetts Institute of Technology (MIT) opracował opartą na uczeniu maszynowym metodę identyfikacji dostępnych już na rynku leków, które potencjalnie mogłyby zostać wykorzystane do walki z COVID-19, zwłaszcza u osób starszych. System uwzględnia zmiany ekspresji genów w komórkach płuc spowodowane zarówno chorobą, jak i starzeniem się. Taka kombinacja mogłaby umożliwić szybsze poszukiwanie leków do fazy badań klinicznych u starszych pacjentów, którzy mają tendencję do cięższego przebiegu COVID-19.

Obiecującym celem dla leków na COVID-19 okazał o się białko RIPK1. Udało się zidentyfikować trzy zatwierdzone już leki, które działają na ekspresję RIPK1.

Na początku pandemii stało się jasne, że COVID-19 szkodzi starszym pacjentom przeciętnie bardziej, niż młodszym. Zespół Uhler zastanawiał się, dlaczego. Dominującą hipotezą było starzenie się układu odpornościowego. Jednak Uhler i G.V. Shivashankar z Politechniki Federalnej (ETH) w Zurychu zasugerowali dodatkowy czynnik: jedną z głównych zmian w płucach, która zachodzi w wyniku starzenia się, jest ich zwiększona sztywność.

Sztywna tkanka płucna wykazuje inne wzorce ekspresji genów niż w bardziej elastycznych płucach osób młodszych, nawet w odpowiedzi na jednakowy sygnał. "Wcześniejsze prace laboratorium Shivashankara wykazały, że jeśli stymulujesz cytokiną komórki na sztywniejszym podłożu, podobnie jak to robi wirus, w rzeczywistości włączają one inne geny - wyjaśniła Uhler. - Musimy rozpatrywać starzenie się razem z SARS-CoV-2 - jakie są geny na przecięciu tych dwóch ścieżek?

Aby wybrać zatwierdzone leki, które mogą działać na tych ścieżkach, zespół zwrócił się do big data i sztucznej inteligencji.

Badacze skupili się na najbardziej obiecujących lekach. Najpierw wygenerowali dużą listę możliwych leków przy użyciu techniki uczenia maszynowego zwanej autoenkoderem. Następnie zmapowali sieć genów i białek zaangażowanych zarówno w starzenie się, jak i zakażenie SARS-CoV-2. Wreszcie, użyli algorytmów statystycznych, aby zrozumieć przyczynowość w tej sieci, co umożliwiło u wskazanie genów "upstream", które spowodowały kaskadowe efekty w całej sieci. Zasadniczo leki ukierunkowane na te geny i białka znajdujące się "powyżej" powinny być obiecującymi kandydatami do badań klinicznych.