Pesquisadores Usam Aprendizado Profundo para Identificar Novos Medicamentos

Pesquisadores do Instituto de Ciência e Tecnologia de Gwangju, na Coreia, desenvolveram um novo modelo de aprendizado profundo que pode prever a ligação entre um medicamento e uma molécula-alvo. A equipe, liderada pelo professor associado Hojung Nam e pelo estudante de doutorado Ingoo Lee, chamou o novo modelo de “Highlights on Target Sequences” (HoTS).

A pesquisa foi publicada no Journal of Cheminformatics.

O Processo de Descoberta de Medicamentos

Os medicamentos são testados no processo de descoberta de medicamentos para sua capacidade de se ligar ou interagir com moléculas-alvo no corpo. Modelos de aprendizado profundo provaram ser úteis para tornar esse processo mais eficaz, mas suas previsões não sempre demonstram interpretabilidade. É por isso que a equipe criou o HoTS, que faz previsões melhores de interações medicamento-alvo, além de ser interpretável.

É crucial determinar como bem um medicamento se liga à sua molécula-alvo, e isso geralmente envolve alinhar uma estrutura 3D de um medicamento e sua proteína-alvo em várias configurações. Esse processo é chamado de “docking”. Após esse processo, os sítios de ligação preferidos são descobertos executando simulações de docking repetidamente com vários candidatos a medicamentos para uma molécula-alvo. Modelos de aprendizado profundo são utilizados para realizar essas simulações.

Modelo HoTS

O modelo recém-desenvolvido também pode prever interações medicamento-alvo (DTIs) sem a necessidade de simulações ou estruturas 3D.

“Primeiro, ensinamos explicitamente o modelo quais partes de uma sequência de proteína irão interagir com o medicamento usando conhecimento prévio”, explica o Professor Nam. “O modelo treinado é então utilizado para reconhecer e prever interações entre medicamentos e proteínas-alvo, dando melhores desempenhos de previsão. Usando isso, construímos um modelo que pode prever as regiões de ligação das proteínas-alvo e suas interações com medicamentos sem um complexo 3D”.

O modelo não precisa lidar com o comprimento completo da sequência de proteína. Em vez disso, pode fazer previsões com base em partes da proteína que são relevantes para a interação DTI.

“Ensinei o modelo a onde ‘focar’ para garantir que ele possa compreender sub-regiões importantes de proteínas na previsão de sua interação com candidatos a medicamentos”, continua o Professor Nam.

Isso permite que o modelo preveja DTIs com mais precisão do que os modelos existentes.

Essas novas descobertas fornecerão um bom ponto de partida para futuras simulações de docking para prever novos candidatos a medicamentos.

“Esse modelo utilizado em nosso estudo tornaria o processo de descoberta de medicamentos mais transparente, bem como de baixo risco e baixo custo. Isso permitirá que os pesquisadores descubram mais medicamentos para o mesmo orçamento e tempo”, conclui o Professor Nam.