Ερευνητές Χρησιμοποιούν Βαθιά Μάθηση για την Αναγνώριση Νέων Φαρμάκων

Ερευνητές στο Ινστιτούτο Επιστημών και Τεχνολογίας Gwangju στη Νότια Κορέα έχουν αναπτύξει ένα νέο μοντέλο βαθιάς μάθησης που μπορεί να προβλέψει τη δέσμευση μεταξύ ενός φαρμάκου και ενός στόχου μορίου. Η ομάδα, η οποία ηγήθηκε από τον αναπληρωτή καθηγητή Hojung Nam και τον φοιτητή διδάκτορα Ingoo Lee, ονόμασε το νέο μοντέλο “Highlights on Target Sequences” (HoTS).

Η έρευνα δημοσιεύθηκε στο Περιοδικό Χημειοπληροφορικής.

Η Διαδικασία Ανακάλυψης Φαρμάκων

Τα φάρμακα δοκιμάζονται στη διαδικασία ανακάλυψης φαρμάκων για την ικανότητά τους να δέσμευσουν ή να αλληλεπιδράσουν με στόχους μορίων στο σώμα. Τα μοντέλα βαθιάς μάθησης έχουν αποδειχθεί χρήσιμα στην καθιστάμενη αυτή τη διαδικασία πιο αποτελεσματική, αλλά οι προβλέψεις τους δεν πάντα δείχνουν ερμηνευσιμότητα. Αυτός είναι ο λόγος για τον οποίο η ομάδα δημιούργησε το HoTS, το οποίο κάνει καλύτερες προβλέψεις των αλληλεπιδράσεων φαρμάκου-στόχου ενώ είναι επίσης ερμηνευσιμο.

Είναι κρίσιμο να καθοριστεί πόσο καλά ένα φάρμακο δέσμευεται με το στόχο μορίου, και αυτό συνήθως περιλαμβάνει την ευθυγράμμιση μιας τρισδιάστατης δομής ενός φαρμάκου και του στόχου πρωτεΐνης σε διάφορες διαμορφώσεις. Αυτή η διαδικασία ονομάζεται “δocking”. Μετά από αυτή τη διαδικασία, ανακαλύπτονται οι προτιμώμενες θέσεις δέσμευσης με την εκτέλεση симуляσιών docking επανειλημμένα με πολλά υποψήφια φάρμακα για ένα στόχο μορίου. Τα μοντέλα βαθιάς μάθησης βασίζονται για την εκτέλεση αυτών των симуляσιών.

Μοντέλο HoTS

Το καινούριο μοντέλο μπορεί επίσης να προβλέψει αλληλεπιδράσεις φαρμάκου-στόχου (DTIs) χωρίς την ανάγκη για симуляσιες ή τρισδιάστατες δομές.

«Πρώτα, διδάσκουμε το μοντέλο ποια μέρη μιας αλληλουχίας πρωτεΐνης θα αλληλεπιδράσουν με το φάρμακο χρησιμοποιώντας προηγούμενη γνώση», εξηγεί ο καθηγητής Nam. «Το εκπαιδευμένο μοντέλο χρησιμοποιείται τότε για να αναγνωρίσει και να προβλέψει αλληλεπιδράσεις μεταξύ φαρμάκων και στόχων πρωτεϊνών, δίνοντας καλύτερες επιδόσεις προβλέψεων. Χρησιμοποιώντας αυτό, κατασκευάσαμε ένα μοντέλο που μπορεί να προβλέψει τις περιοχές δέσμευσης των στόχων πρωτεϊνών και τις αλληλεπιδράσεις τους με φάρμακα χωρίς τρισδιάστατο σύμπλεγμα».

Το μοντέλο δεν χρειάζεται να αντιμετωπίσει το πλήρες μήκος της αλληλουχίας της πρωτεΐνης. Αντίθετα, μπορεί να κάνει προβλέψεις με βάση τα μέρη της πρωτεΐνης που είναι σχετικά με την αλληλεπίδραση DTI.

«Διδάξαμε το μοντέλο πού να «εστιάσει» για να διασφαλίσουμε ότι μπορεί να κατανοήσει σημαντικές υποπεριοχές πρωτεϊνών στην πρόβλεψη της αλληλεπίδρασής του με υποψήφια φάρμακα», συνεχίζει ο καθηγητής Nam.

Αυτό επιτρέπει στο μοντέλο να προβλέψει DTIs με μεγαλύτερη ακρίβεια από τα υπάρχοντα μοντέλα.

Αυτές οι νέες ανακαλύψεις θα παρέχουν μια καλή αφετηρία για μελλοντικές симуляσιες docking για την πρόβλεψη νέων υποψήφιων φαρμάκων.

«Αυτό το μοντέλο που χρησιμοποιήθηκε στη μελέτη μας θα κάνει τη διαδικασία ανακάλυψης φαρμάκων πιο διαφανή καθώς και χαμηλού κινδύνου και χαμηλού κόστους. Αυτό θα επιτρέψει στους ερευνητές να ανακαλύψουν περισσότερα φάρμακα για το ίδιο ποσό προϋπολογισμού και χρόνου», καταλήγει ο καθηγητής Nam.