Cercetătorii utilizează învățarea profundă pentru a identifica noi medicamente

Cercetătorii de la Institutul de Știință și Tehnologie Gwangju din Coreea au dezvoltat un nou model de învățare profundă care poate prezice legarea dintre un medicament și molecula țintă. Echipa, condusă de profesorul asociat Hojung Nam și studentul doctorand Ingoo Lee, a numit noul model “Highlights on Target Sequences” (HoTS).

Cercetarea a fost publicată în Journal of Cheminformatics.

Procesul de descoperire a medicamentelor

Medicamentele sunt testate în procesul de descoperire a medicamentelor pentru capacitatea lor de a se lega sau de a interacționa cu moleculele țintă din corp. Modelele de învățare profundă s-au dovedit a fi utile în eficientizarea acestui proces, dar previziunile lor nu sunt întotdeauna interpretabile. De aceea, echipa a creat HoTS, care face previziuni mai bune ale interacțiunilor medicament-moleculă țintă, fiind în același timp interpretabil.

Este crucial să se determine cât de bine un medicament se leagă de molecula țintă, iar acest lucru implică de obicei alinierea unei structuri 3D a unui medicament și a proteinei țintă în diferite configurații. Acest proces se numește “docking”. În urma acestui proces, se descoperă site-urile de legare preferate prin efectuarea de simulări de docking de mai multe ori cu mai mulți candidați de medicamente pentru o moleculă țintă. Modelele de învățare profundă sunt utilizate pentru a efectua aceste simulări.

Modelul HoTS

Noul model dezvoltat poate prezice, de asemenea, interacțiunile medicament-moleculă țintă (DTI) fără a necesita simulări sau structuri 3D.

“Mai întâi, îi învățăm modelul care părți ale secvenței de proteine vor interacționa cu medicamentul, utilizând cunoștințele anterioare”, explică profesorul Nam. “Modelul antrenat este apoi utilizat pentru a recunoaște și a prezice interacțiunile dintre medicamente și proteinele țintă, oferind performanțe de previziune mai bune. Utilizând acest lucru, am construit un model care poate prezice regiunile de legare ale proteinelor țintă și interacțiunile lor cu medicamentele fără a necesita un complex 3D”.

Modelul nu trebuie să se ocupe de lungimea completă a secvenței de proteine. În schimb, poate face previziuni pe baza părților proteinei care sunt relevante pentru interacțiunea DTI.

“I-am învățat modelul unde să se ‘concentreze’ pentru a se asigura că poate înțelege sub-regiunile importante ale proteinelor în previziunea interacțiunii sale cu medicamentele candidate”, continuă profesorul Nam.

Acest lucru permite modelului să prevadă DTI mai precis decât modelele existente.

Aceste noi descoperiri vor oferi un punct de plecare bun pentru simulările de docking viitoare pentru a prezice noi candidați de medicamente.

“Acest model utilizat în studiul nostru ar face procesul de descoperire a medicamentelor mai transparent, precum și cu risc scăzut și cu costuri scăzute. Acest lucru va permite cercetătorilor să descopere mai multe medicamente pentru aceeași cantitate de buget și timp”, concluzionează profesorul Nam.