Tutkijat käyttävät syvää oppimista uusien lääkeaineiden tunnistamiseen

Gwangjun tieteellisen ja teknillisen instituutin tutkijat Etelä-Koreassa ovat kehittäneet uuden syväoppimismallin, joka voi ennustaa lääkeaineen ja kohdemolekyylin sitoutumista. Tutkijaryhmä, jota johti apulaisprofessori Hojung Nam ja PhD-opiskelija Ingoo Lee, kutsui uutta mallia “Kohdemolekyylien korkeat sävyt” (HoTS).

Tutkimus julkaistiin Journal of Cheminformatics -julkaisussa.

Lääkeaineiden kehittäminen

Lääkeaineita testataan lääkeaineiden kehittämisprosessissa niiden kyvyn mukaan sitoutua tai vuorovaikuttaa kohdemolekyylien kanssa kehossa. Syväoppimismallit ovat osoittautuneet hyödyllisiksi tämän prosessin tehostamisessa, mutta niiden ennusteet eivät aina ole tulkittavissa. Tämän vuoksi tutkijaryhmä loi HoTS-mallin, joka tekee parempia ennusteita lääkeaineiden ja kohdemolekyylien vuorovaikutuksista ja on tulkittavissa.

On tärkeää määrittää, kuinka hyvin lääkeaine sitoutuu kohdemolekyyliinsä, ja tämä tapahtuu yleensä kohdistamalla lääkeaineen ja sen kohdemolekyylin 3D-rakennetta eri konfiguraatioissa. Tätä prosessia kutsutaan “dockingiksi”. Tämän jälkeen suosituimmat sitoutumispaikat löydetään suorittamalla docking-simulaatioita useilla lääkeaineilla kohdemolekyyliä kohden. Syväoppimismallit riippuvat näistä simulaatioista.

HoTS-malli

Uusi malli voi myös ennustaa lääkeaineiden ja kohdemolekyylien vuorovaikutuksia ilman simulaatioita tai 3D-rakenteita.

“Ensinnäkin, opetamme mallille, mitkä osat proteiinisekvenssistä vuorovaikuttavat lääkeaineen kanssa aiemman tiedon perusteella”, Professori Nam selittää. “Koulutettu malli käytetään sitten tunnistamaan ja ennustamaan lääkeaineiden ja kohdemolekyylien vuorovaikutuksia, mikä johtaa parempiin ennusteisiin. Tämän avulla rakensimme mallin, joka voi ennustaa kohdemolekyylien sitoutumisalueita ja niiden vuorovaikutuksia lääkeaineiden kanssa ilman 3D-kompleksia.”

Malli ei tarvitse käsitellä koko proteiinisekvenssin pituutta. Sen sijaan se voi tehdä ennusteita proteiinin osista, jotka ovat merkityksellisiä lääkeaineiden ja kohdemolekyylien vuorovaikutuksille.

“Opetimme mallille, mihin se pitää ‘keskittyä’, jotta se voi ymmärtää tärkeitä alueita proteiineissa lääkeaineiden ja kohdemolekyylien vuorovaikutuksen ennustamiseksi”, Professori Nam jatkaa.

Tämä mahdollistaa mallille lääkeaineiden ja kohdemolekyylien vuorovaikutuksen ennustamisen tarkemmin kuin aiemmat mallit.

Nämä uudet löydöt tarjoavat hyvän lähtökohtan tuleville docking-simulaatioille uusien lääkeaineiden ennustamiseksi.

“Tämä tutkimuksessamme käytetty malli tekee lääkeaineiden kehittämisprosessista läpinäkyvämän, matalan riskin ja matalan kustannuksen. Tämä mahdollistaa tutkijoiden löytää enemmän lääkeaineita samalla budjetilla ja ajalla”, Professori Nam toteaa.