Forskere bruger dyb læring til at identificere nye mediciner

Forskere ved Gwangju Institute of Science and Technology i Korea har udviklet en ny dyb læring-model, der kan forudsige bindingen mellem et lægemiddel og et målmolekyle. Teamet, der blev ledet af associate professor Hojung Nam og Ph.D.-studerende Ingoo Lee, kaldte den nye model “Highlights on Target Sequences” (HoTS).

Forskningen blev offentliggjort i Journal of Cheminformatics.

Lægemiddelforskningens proces

Lægemidler testes i lægemiddelforskningens proces for deres evne til at binde eller interagere med målmolekyler i kroppen. Dyb læring-modeller har vist sig at være nyttige til at gøre denne proces mere effektiv, men deres forudsigelser viser ikke altid fortolkning. Det er derfor, teamet skabte HoTS, der giver bedre forudsigelser af lægemiddel-målmolekyle-interaktioner og samtidig er fortolkelig.

Det er afgørende at bestemme, hvor godt et lægemiddel binder til dets målmolekyle, og dette indebærer normalt at alignere en 3D-struktur af et lægemiddel og dets målprotein i forskellige konfigurationer. Denne proces kaldes “docking”. Efter denne proces opdages foretrukne bindingssteder ved at køre docking-simulationer igen og igen med multiple lægemiddelkandidater for et målmolekyle. Dyb læring-modeller afhænger af at udføre disse simulationer.

HoTS-modellen

Den nyligt udviklede model kan også forudsige lægemiddel-målmolekyle-interaktioner (DTI) uden behov for simulationer eller 3D-strukturer.

“Først lærer vi modellen, hvilke dele af en proteinsekvens, der vil interagere med lægemidlet, ved hjælp af forhåndsviden,” forklarer professor Nam. “Den trænede model bruges derefter til at genkende og forudsige interaktioner mellem lægemidler og målproteiner, hvilket giver bedre forudsigelsespræstationer. Ved hjælp af dette har vi bygget en model, der kan forudsige målproteinernes bindingsområder og deres interaktioner med lægemidler uden en 3D-komplex.”

Modellen behøver ikke at beskæftige sig med den fulde længde af proteinsekvensen. I stedet kan den give forudsigelser baseret på dele af proteinet, der er relevante for DTI-interaktionen.

“Vi lærte modellen, hvor den skal ‘fokusere’, så den kan forstå vigtige subregioner af proteiner i forudsigelsen af dens interaktion med lægemiddelkandidater,” fortsætter professor Nam.

Dette giver modellen mulighed for at forudsige DTI mere præcist end eksisterende modeller.

Disse nye fund vil give et godt udgangspunkt for fremtidige docking-simulationer til at forudsige nye lægemiddelkandidater.

“Denne model, der er brugt i vores studie, vil gøre lægemiddelforskningens proces mere gennemsigtig samt lav-risiko og lav-omkostning. Dette vil give forskerne mulighed for at opdage flere lægemidler for samme budget og tid,” afslutter professor Nam.