Peneliti Menggunakan Pembelajaran Dalam untuk Mengidentifikasi Obat Baru

Peneliti di Gwangju Institute of Science and Technology di Korea telah mengembangkan model pembelajaran dalam baru yang dapat memprediksi ikatan antara obat dan molekul target. Tim, yang dipimpin oleh associate professor Hojung Nam dan mahasiswa PhD Ingoo Lee, menamai model baru ini “Highlights on Target Sequences” (HoTS).

Penelitian ini dipublikasikan di Journal of Cheminformatics.

Proses Penemuan Obat

Obat diuji dalam proses penemuan obat untuk kemampuan mereka untuk berikatan atau berinteraksi dengan molekul target di dalam tubuh. Model pembelajaran dalam telah terbukti berguna dalam membuat proses ini lebih efektif, tetapi prediksi mereka tidak selalu menunjukkan interpretabilitas. Itulah mengapa tim menciptakan HoTS, yang membuat prediksi yang lebih baik tentang interaksi obat-target dan juga dapat diinterpretasikan.

Sangat penting untuk menentukan seberapa baik obat berikatan dengan molekul targetnya, dan ini biasanya melibatkan penyelarasan struktur 3D dari obat dan protein targetnya pada berbagai konfigurasi. Proses ini disebut “docking”. Setelah proses ini, situs ikatan yang disukai ditemukan dengan menjalankan simulasi docking berulang kali dengan beberapa kandidat obat untuk molekul target. Model pembelajaran dalam digunakan untuk melakukan simulasi ini.

Model HoTS

Model yang baru dikembangkan ini juga dapat memprediksi interaksi obat-target (DTI) tanpa memerlukan simulasi atau struktur 3D.

“Pertama, kami secara eksplisit mengajar model mana bagian dari urutan protein yang akan berinteraksi dengan obat menggunakan pengetahuan sebelumnya,” Professor Nam menjelaskan. “Model yang dilatih kemudian digunakan untuk mengenali dan memprediksi interaksi antara obat dan protein target, memberikan kinerja prediksi yang lebih baik. Dengan menggunakan ini, kami membangun model yang dapat memprediksi daerah ikatan protein target dan interaksinya dengan obat tanpa kompleks 3D.”

Model ini tidak perlu menangani panjang keseluruhan urutan protein. Sebaliknya, itu dapat membuat prediksi berdasarkan bagian protein yang relevan dengan interaksi DTI.

“Kami mengajar model di mana untuk ‘fokus’ untuk memastikan bahwa itu dapat memahami sub-wilayah penting dari protein dalam memprediksi interaksinya dengan kandidat obat,” Professor Nam melanjutkan.

Hal ini memungkinkan model untuk memprediksi DTI lebih akurat daripada model yang ada.

Temuan baru ini akan memberikan titik awal yang baik untuk simulasi docking di masa depan untuk memprediksi kandidat obat baru.

“Model ini yang digunakan dalam studi kami akan membuat proses penemuan obat lebih transparan serta rendah risiko dan biaya. Ini akan memungkinkan peneliti untuk menemukan lebih banyak obat dengan jumlah anggaran dan waktu yang sama,” Professor Nam menyimpulkan.