Forskare använder djupinlärning för att identifiera nya mediciner

Forskare vid Gwangju Institute of Science and Technology i Korea har utvecklat en ny modell för djupinlärning som kan förutsäga bindningen mellan ett läkemedel och en målmolekyl. Teamet, som leddes av docent Hojung Nam och doktorand Ingoo Lee, kallade den nya modellen "Highlights on Target Sequences" (HoTS). 

Forskningen publicerades i Journal of Cheminformatics. 

Processen för upptäckt av droger

Läkemedel testas i läkemedelsupptäcktsprocessen för deras förmåga att binda eller interagera med målmolekyler i kroppen. Modeller för djupinlärning har visat sig användbara för att göra denna process mer effektiv, men deras förutsägelser visar inte alltid tolkningsbarhet. Det är därför teamet skapade HoTS, som gör bättre förutsägelser av interaktioner mellan läkemedel och mål samtidigt som det är tolkbart. 

Det är avgörande att avgöra hur väl ett läkemedel binder till sin målmolekyl, och detta innebär vanligtvis att en 3D-struktur av ett läkemedel och dess målprotein anpassas till olika konfigurationer. Denna process kallas för "dockning". Efter denna process upptäcks sedan föredragna bindningsställen genom att köra dockningssimuleringar om och om igen med flera läkemedelskandidater för en målmolekyl. Modeller för djupinlärning används för att genomföra dessa simuleringar. 

Hots-modell

Den nyutvecklade modellen kan också förutsäga läkemedelsmålinteraktioner (DTI) utan behov av simuleringar eller 3D-strukturer. 

"För det första lär vi uttryckligen ut modellen vilka delar av en proteinsekvens som kommer att interagera med läkemedlet med förkunskaper", förklarar professor Nam. "Den tränade modellen används sedan för att känna igen och förutsäga interaktioner mellan läkemedel och målproteiner, vilket ger bättre prediktionsprestanda. Med hjälp av detta byggde vi en modell som kan förutsäga målproteinernas bindningsregioner och deras interaktioner med läkemedel utan ett 3D-komplex.” 

Modellen behöver inte ta itu med hela längden av proteinsekvensen. Istället kan den göra förutsägelser baserade 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 underregioner av proteiner när den förutsäger dess interaktion med läkemedelskandidater, fortsätter professor Nam. 

Detta gör det möjligt för modellen att förutsäga DTI mer exakt än befintliga modeller. 

Dessa nya rön kommer att ge en bra utgångspunkt för framtida dockningssimuleringar för att förutsäga nya läkemedelskandidater. 

"Denna modell som används i vår studie skulle göra läkemedelsupptäcktsprocessen mer transparent samt göra den till låg risk och låg kostnad. Detta kommer att göra det möjligt för forskare att upptäcka fler läkemedel för samma mängd budget och tid”, avslutar professor Nam.