Исследователи используют глубокое обучение для выявления новых лекарств

Исследователи из Института науки и технологий Гванджу в Корее разработали новую модель глубокого обучения, которая может предсказать связывание между лекарством и целевой молекулой. Команда, возглавляемая доцентом Ходжуном Намом и аспирантом Ингу Ли, назвала новую модель «Выделение целевых последовательностей» (HoTS).

Исследование было опубликовано в Журнале хеминформатики.

Процесс открытия лекарств

Лекарства тестируются в процессе открытия лекарств на их способность связываться или взаимодействовать с целевыми молекулами в организме. Модели глубокого обучения оказались полезными в повышении эффективности этого процесса, но их прогнозы не всегда демонстрируют интерпретируемость. Поэтому команда создала HoTS, которая делает лучшие прогнозы взаимодействия между лекарством и целевой молекулой, а также интерпретируема.

Очень важно определить, насколько хорошо лекарство связывается с его целевой молекулой, и это обычно включает в себя выравнивание 3D-структуры лекарства и его целевой белковой молекулы в различных конфигурациях. Этот процесс называется «докингом». После этого предпочтительные места связывания обнаруживаются путем запуска симуляций докинга несколько раз с несколькими кандидатами на лекарство для целевой молекулы. Модели глубокого обучения используются для выполнения этих симуляций.

Модель HoTS

Новая разработанная модель также может предсказать взаимодействия между лекарством и целевой молекулой (DTI) без необходимости симуляций или 3D-структур.

«Сначала мы явно учим модель, какие части белковой последовательности будут взаимодействовать с лекарством, используя предварительные знания», – объясняет профессор Нам. «Обученная модель затем используется для распознавания и прогнозирования взаимодействий между лекарствами и целевыми белками, что дает лучшие результаты прогнозирования. Используя это, мы построили модель, которая может предсказать области связывания целевых белков и их взаимодействия с лекарствами без 3D-комплекса».

Модель не должна иметь дело с полной длиной белковой последовательности. Вместо этого она может делать прогнозы на основе частей белка, которые имеют отношение к взаимодействию DTI.

«Мы учили модель, где «сосредоточиться», чтобы она могла понять важные подрегионы белков при прогнозировании их взаимодействия с кандидатами на лекарства», – продолжает профессор Нам.

Это позволяет модели предсказывать DTI более точно, чем существующие модели.

Эти новые результаты предоставят хорошую отправную точку для будущих симуляций докинга для прогнозирования новых кандидатов на лекарства.

«Эта модель, использованная в нашем исследовании, сделает процесс открытия лекарств более прозрачным, а также низкорисковым и низкозатратным. Это позволит исследователям открывать больше лекарств за то же количество бюджета и времени», – заключает профессор Нам.