Истраживачи користе дубоко учење да идентификују нове лекове

Истраживачи са Института за науку и технологију Гвангју у Кореји развили су нови модел дубоког учења који може предвидети везивање између лека и циљног молекула. Тим, који су предводили ванредни професор Хојунг Нам и докторанд Ингоо Лее, назвао је нови модел „Хигхлигхтс он Таргет Секуенцес“ (ХоТС). 

Истраживање је објављено у часопису Јоурнал оф Цхеминформатицс. 

Процес откривања дроге

Лекови се тестирају у процесу откривања лекова на њихову способност да се вежу или у интеракцији са циљним молекулима у телу. Модели дубоког учења показали су се корисним у томе што овај процес чине ефикаснијим, али њихова предвиђања не показују увек могућност интерпретације. Због тога је тим креирао ХоТС, који даје боља предвиђања интеракција лек-циља, а истовремено се може интерпретирати. 

Кључно је утврдити колико се лек добро везује за свој циљни молекул, а то обично укључује усклађивање 3Д структуре лека и његовог циљног протеина у различитим конфигурацијама. Овај процес се назива „пристајање“. Након овог процеса, жељена места везивања се затим откривају тако што се изнова и изнова изводе симулације спајања са више кандидата за лек за циљни молекул. За извођење ових симулација ослањају се на моделе дубоког учења. 

ХоТС Модел

Новоразвијени модел такође може предвидети интеракције лек-циља (ДТИ) без потребе за симулацијама или 3Д структурама. 

„Прво, ми експлицитно подучавамо модел који делови протеинске секвенце ће ступити у интеракцију са леком користећи претходно знање“, објашњава професор Нам. „Обучени модел се затим користи за препознавање и предвиђање интеракција између лекова и циљних протеина, дајући боље перформансе предвиђања. Користећи ово, изградили смо модел који може да предвиди регионе везивања циљних протеина и њихове интеракције са лековима без 3Д-комплекса. 

Модел не мора да се бави комплетном дужином секвенце протеина. Уместо тога, може да прави предвиђања на основу делова протеина који су релевантни за ДТИ интеракцију. 

„Научили смо модел где да се 'фокусира' како бисмо осигурали да може да схвати важне подрегије протеина у предвиђању његове интеракције са лековима кандидатима," наставља професор Нам. 

Ово омогућава моделу да прецизније предвиди ДТИ од постојећих модела. 

Ова нова открића ће пружити добру полазну тачку за будуће симулације пристајања за предвиђање нових кандидата за лекове. 

„Овај модел коришћен у нашој студији учинио би процес откривања лекова транспарентнијим, као и ниским ризиком и ниским трошковима. Ово ће омогућити истраживачима да открију више лекова за исти износ буџета и времена“, закључује професор Нам.