Naukowcy wykorzystują głębokie uczenie się do identyfikacji nowych leków

Naukowcy z Gwangju Institute of Science and Technology w Korei opracowali nowy model głębokiego uczenia się, który może przewidywać wiązanie się leku z cząsteczką docelową. Zespół, którym kierował associate professor Hojung Nam i doktorant Ingoo Lee, nazwał nowy model „Highlights on Target Sequences” (HoTS).

Badania zostały opublikowane w Journal of Cheminformatics.

Proces odkrywania leków

Leki są testowane w procesie odkrywania leków pod kątem ich zdolności do wiązania się z cząsteczkami docelowymi w organizmie. Modele głębokiego uczenia się okazały się przydatne w tym procesie, ale ich przewidywania nie zawsze są interpretowalne. Dlatego zespół stworzył HoTS, który lepiej przewiduje interakcje leku z cząsteczką docelową, a także jest interpretowalny.

Jest to kluczowe, aby określić, jak dobrze lek wiąże się z cząsteczką docelową, co zwykle wymaga dopasowania struktury 3D leku i jego białka docelowego w różnych konfiguracjach. Proces ten nazywa się „dockingiem”. Następnie odkrywane są preferowane miejsca wiązania, uruchamiając symulacje dockingowe wielokrotnie z wieloma kandydatami leków dla cząsteczki docelowej. Modele głębokiego uczenia się są wykorzystywane do przeprowadzania tych symulacji.

Model HoTS

Nowo opracowany model może również przewidywać interakcje leku z cząsteczką docelową (DTI) bez potrzeby symulacji lub struktur 3D.

„Po pierwsze, wyraźnie uczymy model, które części sekwencji białka będą wchodzić w interakcje z lekiem, wykorzystując wiedzę wcześniej nabytą,” wyjaśnia profesor Nam. „Następnie wykorzystujemy wytrenowany model do rozpoznawania i przewidywania interakcji między lekami a białkami docelowymi, co daje lepsze wyniki przewidywania. Wykorzystując to, zbudowaliśmy model, który może przewidywać regiony wiązania białek docelowych i ich interakcje z lekami bez struktury 3D.”

Model nie musi radzić sobie z pełną długością sekwencji białka. Zamiast tego, może dokonywać przewidywań na podstawie części białka, które są istotne dla interakcji DTI.

„Nauczyliśmy model, gdzie się „skoncentrować”, aby mógł zrozumieć ważne podregiony białek w przewidywaniu ich interakcji z kandydatami leków,” kontynuuje profesor Nam.

To pozwala modelowi na dokładniejsze przewidywanie interakcji DTI niż istniejące modele.

Te nowe odkrycia stanowią dobry punkt wyjścia do przyszłych symulacji dockingowych w celu przewidywania nowych kandydatów leków.

„Ten model wykorzystany w naszym badaniu sprawi, że proces odkrywania leków będzie bardziej przejrzysty, a także niskokosztowy i niskiego ryzyka. To pozwoli badaczom na odkrycie większej liczby leków przy tym samym budżecie i czasie,” kończy profesor Nam.