Forskare använder djupinlärning för att identifiera nya läkemedel

Forskare vid Gwangju Institute of Science and Technology i Korea har utvecklat en ny djupinlärningsmodell som kan förutsäga bindningen mellan ett läkemedel och en målmolekyl. Teamet, som leddes av associate professor Hojung Nam och PhD-studenten Ingoo Lee, kallade den nya modellen “Highlights on Target Sequences” (HoTS).

Forskningen publicerades i Journal of Cheminformatics.

Läkemedelsupptäcktsprocessen

Läkemedel testas i läkemedelsupptäcktsprocessen för deras förmåga att binda eller interagera med målmolekyler i kroppen. Djupinlärningsmodeller har visat sig vara användbara för att göra denna process mer effektiv, men deras förutsägelser är inte alltid tolkningsbara. Därför skapade teamet HoTS, som gör bättre förutsägelser av läkemedels-målmolekylinteraktioner samtidigt som den är tolkningsbar.

Det är viktigt att bestämma hur väl ett läkemedel binder till sin målmolekyl, och detta innebär vanligtvis att man justerar en 3D-struktur av ett läkemedel och dess målprotein i olika konfigurationer. Denna process kallas “docking”. Efter denna process upptäcks föredragna bindningsställen genom att köra docking-simulationer om och om igen med flera läkemedelskandidater för en målmolekyl. Djupinlärningsmodeller används för att utföra dessa simulationer.

HoTS-modellen

Den nyligen utvecklade modellen kan också förutsäga läkemedels-målmolekylinteraktioner (DTI) utan behov av simulationer eller 3D-strukturer.

“Först lär vi modellen explicit vilka delar av en proteinsekvens som kommer att interagera med läkemedlet med hjälp av tidigare kunskap”, förklarar professor Nam. “Den tränade modellen används sedan för att känna igen och förutsäga interaktioner mellan läkemedel och målproteiner, vilket ger bättre förutsägelseprestationer. Med hjälp av detta byggde vi en modell som kan förutsäga målproteinernas bindningsområden och deras interaktioner med läkemedel utan en 3D-komplex.”

Modellen behöver inte hantera den fulla längden av proteinsekvensen. Istället kan den göra förutsägelser baserat på delar av proteinet som är relevanta för DTI-interaktionen.

“Vi lärde modellen var den ska ‘fokusera’ för att säkerställa att den kan förstå viktiga subregioner av proteiner vid förutsägelse av dess interaktion med läkemedelskandidater”, fortsätter professor Nam.

Detta möjliggör för modellen att förutsäga DTI mer exakt än befintliga modeller.

Dessa nya fynd kommer att ge en bra utgångspunkt för framtida docking-simulationer för att förutsäga nya läkemedelskandidater.

“Denna modell som användes i vår studie skulle göra läkemedelsupptäcktsprocessen mer transparent samt lågrisk och lågkostnad. Detta kommer att tillåta forskare att upptäcka fler läkemedel för samma budget och tid”, avslutar professor Nam.