Forskere bruker dyp læring for å identifisere nye legemidler

Forskere ved Gwangju Institute of Science and Technology i Korea har utviklet en ny dyp læring-modell som kan forutsi bindingen mellom et legemiddel og målmolekyl. Teamet, som ble ledet av assisterende professor Hojung Nam og PhD-student Ingoo Lee, kalte den nye modellen “Highlights on Target Sequences” (HoTS).

Forskningen ble publisert i Journal of Cheminformatics.

Legemiddelfunnprosessen

Legemidler testes i legemiddelfunnprosessen for deres evne til å binde eller samhandle med målmolekyler i kroppen. Dyp læring-modeller har vist seg å være nyttige i å gjøre denne prosessen mer effektiv, men deres forutsigelser demonstrerer ikke alltid tolkbarhet. Derfor skapte teamet HoTS, som gjør bedre forutsigelser av legemiddel-målmolekyl-interaksjoner samtidig som den er tolkbar.

Det er viktig å bestemme hvor godt et legemiddel binder til sitt målmolekyl, og dette innebærer vanligvis å justere en 3D-struktur av et legemiddel og dets målprotein i forskjellige konfigurasjoner. Denne prosessen kalles “docking”. Etter denne prosessen oppdages foretrukne bindingssteder ved å kjøre docking-simuleringer om og om igjen med flere legemiddelkandidater for et målmolekyl. Dyp læring-modeller blir brukt til å utføre disse simuleringsene.

HoTS-modellen

Den nyutviklede modellen kan også forutsi legemiddel-målmolekyl-interaksjoner (DTI) uten behov for simulerings- eller 3D-strukturer.

“Først, lærer vi modellen hvilke deler av en proteinsekvens som vil samhandle med legemidlet ved hjelp av forhåndsviten,” forklarer professor Nam. “Den trenede modellen blir deretter brukt til å gjenkjenne og forutsi interaksjoner mellom legemidler og målproteiner, og gir bedre forutsigelsesprestasjoner. Ved hjelp av dette bygde vi en modell som kan forutsi målproteinets bindingsregioner og deres interaksjoner med legemidler uten en 3D-kompleks.”

Modellen trenger ikke å håndtere hele lengden av proteinsekvensen. I stedet kan den gjøre forutsigelser basert på deler av proteinet som er relevante for DTI-interaksjonen.

“Vi lærte modellen hvor den skal ‘fokusere’ for å sikre at den kan forstå viktige sub-regioner av proteiner i å forutsi deres interaksjon med legemiddelkandidater,” fortsetter professor Nam.

Dette gjør det mulig for modellen å forutsi DTI mer nøyaktig enn eksisterende modeller.

Disse nye funnene vil gi en god utgangspunkt for fremtidige docking-simuleringer for å forutsi nye legemiddelkandidater.

“Denne modellen som ble brukt i vår studie ville gjøre legemiddelfunnprosessen mer gjennomsiktig samt lav-risiko og lav-kostnad. Dette vil tillate forskere å oppdage flere legemidler for samme budsjetter og tid,” avslutter professor Nam.