Հետազոտողները օգտագործում են խորը ուսուցում նոր դեղամիջոցներ հայտնաբերելու համար

Կորեայի Գվանջուի գիտության և տեխնոլոգիայի ինստիտուտի հետազոտողները մշակել են խորը ուսուցման նոր մոդել, որը կարող է կանխատեսել դեղամիջոցի և թիրախային մոլեկուլի կապը: Թիմը, որը ղեկավարում էին դոցենտ Հոջունգ Նամը և ասպիրանտ Ինգու Լին, նոր մոդելն անվանեցին «Highlights on Target Sequences» (HoTS): 

Հետազոտությունը հրապարակվել է Գ Քիմիֆորմատիկայի ամսագիր. 

Թմրամիջոցների հայտնաբերման գործընթացը

Թմրամիջոցները փորձարկվում են դեղերի հայտնաբերման գործընթացում մարմնի թիրախային մոլեկուլների հետ կապվելու կամ փոխազդելու ունակության համար: Խորը ուսուցման մոդելներն ապացուցել են, որ օգտակար են այս գործընթացն ավելի արդյունավետ դարձնելու համար, սակայն դրանց կանխատեսումները միշտ չէ, որ ցույց են տալիս մեկնաբանելի: Այդ իսկ պատճառով թիմը ստեղծեց HoTS-ը, որն ավելի լավ կանխատեսումներ է անում թմրամիջոցների և թիրախների փոխազդեցությունների վերաբերյալ՝ միաժամանակ լինելով մեկնաբանելի: 

Շատ կարևոր է որոշել, թե որքան լավ է դեղը կապվում իր թիրախային մոլեկուլին, և դա սովորաբար ներառում է դեղամիջոցի 3D կառուցվածքի և դրա թիրախային սպիտակուցի տարբեր կոնֆիգուրացիաներով համապատասխանեցում: Այս գործընթացը կոչվում է «docking»: Այս գործընթացից հետո նախընտրելի կապակցման վայրերն այնուհետև հայտնաբերվում են միացման սիմուլյացիաների միջոցով մի քանի դեղամիջոցների թեկնածուների միջոցով թիրախային մոլեկուլի համար: Այս սիմուլյացիաներն իրականացնելու համար հիմնվում են խորը ուսուցման մոդելների վրա: 

HoTS մոդել

Նոր մշակված մոդելը կարող է նաև կանխատեսել դեղ-թիրախ փոխազդեցությունները (DTIs)՝ առանց սիմուլյացիաների կամ 3D կառուցվածքների: 

«Նախ, մենք հստակորեն սովորեցնում ենք մոդելին, թե սպիտակուցային հաջորդականության որ մասերը կփոխազդեն դեղամիջոցի հետ՝ օգտագործելով նախնական գիտելիքները», - բացատրում է պրոֆեսոր Նամը: «Վարժված մոդելն այնուհետև օգտագործվում է դեղերի և թիրախային սպիտակուցների միջև փոխազդեցությունները ճանաչելու և կանխատեսելու համար՝ տալով ավելի լավ կանխատեսման արդյունքներ: Օգտագործելով սա՝ մենք կառուցեցինք մի մոդել, որը կարող է կանխատեսել թիրախային սպիտակուցների կապող շրջանները և դրանց փոխազդեցությունը դեղերի հետ՝ առանց 3D բարդույթի»: 

Մոդելը պարտադիր չէ, որ գործ ունենա սպիտակուցի հաջորդականության ամբողջական երկարության հետ: Փոխարենը, այն կարող է կանխատեսումներ անել՝ հիմնվելով սպիտակուցի այն մասերի վրա, որոնք առնչվում են DTI փոխազդեցությանը: 

«Մենք մոդելին սովորեցրել ենք, թե որտեղ պետք է «կենտրոնանալ», որպեսզի համոզվենք, որ այն կարող է հասկանալ սպիտակուցների կարևոր ենթատարածքները՝ կանխատեսելով դրա փոխազդեցությունը թեկնածու դեղերի հետ», - շարունակում է պրոֆեսոր Նամը: 

Սա հնարավորություն է տալիս մոդելին ավելի ճշգրիտ կանխատեսել DTI-ները, քան գոյություն ունեցող մոդելները: 

Այս նոր գտածոները լավ մեկնարկային կետ կապահովեն ապագա կապակցման սիմուլյացիաների համար՝ կանխատեսելու դեղերի նոր թեկնածուները: 

«Մեր ուսումնասիրության մեջ օգտագործված այս մոդելը դեղերի հայտնաբերման գործընթացը կդարձնի ավելի թափանցիկ, ինչպես նաև ցածր ռիսկային և էժան: Սա թույլ կտա հետազոտողներին նույնքան բյուջեով և ժամանակով ավելի շատ դեղամիջոցներ հայտնաբերել», - եզրափակում է պրոֆեսոր Նամը: