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 Arzneimittel-Ziel-Interaktionen liefert und auch interpretierbar ist. 

Es ist entscheidend, zu bestimmen, wie gut ein Medikament an sein Zielmolekül bindet, und dies erfordert normalerweise das Ausrichten einer 3D-Struktur eines Medikaments und seines Zielproteins in verschiedenen Konfigurationen. Dieser Prozess wird als “Docking” bezeichnet. Anschließend werden die bevorzugten Bindungsstellen durch wiederholtes Durchführen von Docking-Simulationen mit mehreren Medikamentkandidaten für ein Zielmolekül entdeckt. Deep-Learning-Modelle werden zur Durchführung dieser Simulationen verwendet. 

HoTS-Modell

Das neu entwickelte Modell kann auch Arzneimittel-Ziel-Interaktionen (DTIs) ohne die Notwendigkeit von Simulationen oder 3D-Strukturen vorhersagen. 

“Zuerst lehren 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 der Zielproteine und ihre Interaktionen mit Medikamenten ohne ein 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 das Modell gelehrt, 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 Zeitaufwand zu entdecken”, schlussfolgert Professor Nam.