Onderzoekers gebruiken diepe leermodellen om nieuwe medicijnen te identificeren

Onderzoekers aan het Gwangju Institute of Science and Technology in Korea hebben een nieuw diep leermodel ontwikkeld dat de binding tussen een medicijn en een doelmolecuul kan voorspellen. Het team, dat werd geleid door associate professor Hojung Nam en PhD-student Ingoo Lee, noemde het nieuwe model “Highlights on Target Sequences” (HoTS).

Het onderzoek werd gepubliceerd in de Journal of Cheminformatics.

Het proces van geneesmiddelontdekking

Geneesmiddelen worden in het proces van geneesmiddelontdekking getest op hun vermogen om te binden of te interageren met doelmoleculen in het lichaam. Diepe leermodellen hebben zich bewezen als nuttig om dit proces effectiever te maken, maar hun voorspellingen vertonen niet altijd interpretatie. Daarom creëerde het team HoTS, dat betere voorspellingen maakt van geneesmiddel-doelmolecuulinteracties en ook interpreteerbaar is.

Het is cruciaal om te bepalen hoe goed een geneesmiddel bindt aan zijn doelmolecuul, en dit omvat meestal het uitlijnen van een 3D-structuur van een geneesmiddel en zijn doelproteïne in verschillende configuraties. Dit proces wordt “docking” genoemd. Vervolgens worden de voorkeursbindingsplaatsen ontdekt door docking-simulaties uit te voeren met meerdere geneesmiddelkandidaten voor een doelmolecuul. Diepe leermodellen worden gebruikt om deze simulaties uit te voeren.

Hets HoTS-model

Het nieuw ontwikkelde model kan ook geneesmiddel-doelmolecuulinteracties (DTI’s) voorspellen zonder simulaties of 3D-structuren nodig te hebben.

“Eerst geven we het model expliciet aan welke delen van een proteïnesequentie zullen interageren met het geneesmiddel met behulp van voorafgaande kennis,” legt professor Nam uit. “Het getrainde model wordt vervolgens gebruikt om interacties tussen geneesmiddelen en doelproteïnen te herkennen en voorspellen, waardoor betere voorspellingsprestaties worden behaald. Met behulp hiervan hebben we een model gebouwd dat de bindingsregio’s van doelproteïnen en hun interacties met geneesmiddelen kan voorspellen zonder een 3D-complex.”

Het model hoeft niet met de volledige lengte van de proteïnesequentie om te gaan. In plaats daarvan kan het voorspellingen doen op basis van delen van het proteïne die relevant zijn voor de DTI-interactie.

“We hebben het model geleerd waar het ‘focus’ moet leggen om ervoor te zorgen dat het belangrijke subregio’s van proteïnen kan begrijpen bij het voorspellen van hun interactie met kandidaat-geneesmiddelen,” vervolgt professor Nam.

Dit stelt het model in staat om DTI’s nauwkeuriger te voorspellen dan bestaande modellen.

Deze nieuwe bevindingen zullen een goed startpunt bieden voor toekomstige docking-simulaties om nieuwe geneesmiddelkandidaten te voorspellen.

“Dit model, dat in onze studie wordt gebruikt, zou het proces van geneesmiddelontdekking transparanter, laagrisico en laagkosten maken. Dit zal onderzoekers in staat stellen om meer geneesmiddelen te ontdekken voor hetzelfde budget en de zelfde tijd,” concludeert professor Nam.