Forscher verwenden Deep Learning, um neue Medikamente zu identifizieren

Forscher am Gwangju Institute of Science and Technology in Korea haben ein neues Deep-Learning-Modell entwickelt, das die Bindung zwischen einem Medikament und einem Zielmolekül vorhersagen kann. Das Team, das von Associate Professor Hojung Nam und PhD-Student Ingoo Lee geleitet wurde, nannte das neue Modell “Highlights on Target Sequences” (HoTS).

Die Forschung wurde im Journal of Cheminformatics veröffentlicht.

Der Arzneimittel-Entdeckungsprozess

Medikamente werden im Arzneimittel-Entdeckungsprozess auf ihre Fähigkeit getestet, mit Zielmolekülen im Körper zu binden oder zu interagieren. Deep-Learning-Modelle haben sich als nützlich erwiesen, um diesen Prozess effektiver zu machen, aber ihre Vorhersagen sind nicht immer interpretierbar. Deshalb erstellte das Team HoTS, das bessere Vorhersagen von Medikament-Ziel-Interaktionen liefert und auch interpretierbar ist.

Es ist entscheidend, zu bestimmen, wie gut ein Medikament an sein Zielmolekül bindet, und dies erfordert in der Regel die Ausrichtung einer 3D-Struktur eines Medikaments und seines Zielproteins in verschiedenen Konfigurationen. Dieser Prozess wird als “Docking” bezeichnet. Anschließend werden die bevorzugten Bindungsstellen durch wiederholte Docking-Simulationen mit mehreren Medikamentkandidaten für ein Zielmolekül entdeckt. Deep-Learning-Modelle werden verwendet, um diese Simulationen durchzuführen.

HoTS-Modell

Das neu entwickelte Modell kann auch Medikament-Ziel-Interaktionen (DTIs) vorhersagen, ohne dass Simulations- oder 3D-Strukturen erforderlich sind.

“Zunächst unterrichten wir das Modell explizit, welche Teile einer Proteinsequenz mit dem Medikament interagieren werden, unter Verwendung von Vorwissen”, erklärt Professor Nam. “Das trainierte Modell wird dann verwendet, um Interaktionen zwischen Medikamenten und Zielproteinen zu erkennen und vorherzusagen, was zu besseren Vorhersageleistungen führt. Mit diesem Ansatz haben wir ein Modell entwickelt, das die Bindungsregionen von Zielproteinen und ihre Interaktionen mit Medikamenten ohne 3D-Komplex vorhersagen kann.”

Das Modell muss nicht mit der gesamten Länge der Proteinsequenz umgehen. Stattdessen kann es Vorhersagen auf der Grundlage von Teilen des Proteins treffen, die für die DTI-Interaktion relevant sind.

“Wir haben dem Modell beigebracht, wo es ‘fokussieren’ soll, um sicherzustellen, dass es wichtige Subregionen von Proteinen bei der Vorhersage ihrer Interaktion mit Medikamentkandidaten verstehen kann”, fährt Professor Nam fort.

Dies ermöglicht es dem Modell, DTIs genauer vorherzusagen als bestehende Modelle.

Diese neuen Erkenntnisse werden einen guten Ausgangspunkt für zukünftige Docking-Simulationen bieten, um neue Medikamentkandidaten vorherzusagen.

“Das in unserer Studie verwendete Modell würde den Arzneimittel-Entdeckungsprozess transparenter, risikoärmer und kostengünstiger machen. Dies würde es Forschern ermöglichen, mehr Medikamente für den gleichen Budget- und Zeitrahmen zu entdecken”, schlussfolgert Professor Nam.