I ricercatori utilizzano l’apprendimento profondo per identificare nuovi farmaci

I ricercatori dell’Istituto di Scienza e Tecnologia di Gwangju in Corea hanno sviluppato un nuovo modello di apprendimento profondo in grado di prevedere la legame tra un farmaco e una molecola bersaglio. Il team, guidato dal professore associato Hojung Nam e dal dottorando Ingoo Lee, ha chiamato il nuovo modello “Highlights on Target Sequences” (HoTS).

La ricerca è stata pubblicata sulla Rivista di Cheminformatics.

Il processo di scoperta dei farmaci

I farmaci vengono testati nel processo di scoperta dei farmaci per la loro capacità di legarsi o interagire con molecole bersaglio nel corpo. I modelli di apprendimento profondo si sono rivelati utili per rendere questo processo più efficace, ma le loro previsioni non sempre dimostrano interpretazione. È per questo che il team ha creato HoTS, che fa previsioni migliori delle interazioni farmaco-bersaglio e allo stesso tempo è interpretabile.

È fondamentale determinare quanto bene un farmaco si leghi alla sua molecola bersaglio, e ciò di solito comporta l’allineamento di una struttura 3D di un farmaco e della sua proteina bersaglio in varie configurazioni. Questo processo è denominato “docking”. A seguire, vengono scoperti i siti di legame preferiti eseguendo simulazioni di docking più e più volte con più candidati farmaci per una molecola bersaglio. I modelli di apprendimento profondo sono utilizzati per eseguire queste simulazioni.

Modello HoTS

Il modello appena sviluppato può anche prevedere le interazioni farmaco-bersaglio (DTI) senza la necessità di simulazioni o strutture 3D.

“Innanzitutto, insegniamo esplicitamente al modello quali parti di una sequenza di proteine interagiranno con il farmaco utilizzando conoscenze pregresse”, spiega il professor Nam. “Il modello addestrato viene quindi utilizzato per riconoscere e prevedere interazioni tra farmaci e proteine bersaglio, fornendo migliori prestazioni di previsione. Utilizzando questo, abbiamo costruito un modello che può prevedere le regioni di legame delle proteine bersaglio e le loro interazioni con i farmaci senza un complesso 3D”.

Il modello non deve affrontare la lunghezza completa della sequenza di proteine. Invece, può fare previsioni in base a parti della proteina che sono rilevanti per l’interazione DTI.

“Abbiamo insegnato al modello dove ‘concentrarsi’ per assicurarci che possa comprendere le importanti sub-regioni delle proteine nella previsione della sua interazione con i candidati farmaci”, continua il professor Nam.

Ciò consente al modello di prevedere le DTI in modo più preciso rispetto ai modelli esistenti.

Questi nuovi risultati forniranno un buon punto di partenza per future simulazioni di docking per prevedere nuovi candidati farmaci.

“Questo modello utilizzato nel nostro studio renderebbe il processo di scoperta dei farmaci più trasparente, nonché a basso rischio e a basso costo. Ciò consentirebbe ai ricercatori di scoprire più farmaci per la stessa quantità di budget e tempo”, conclude il professor Nam.