นักวิจัยใช้การเรียนรู้ลึกเพื่อระบุยาสำหรับการรักษาใหม่ๆ

นักวิจัยจากสถาบันวิทยาศาสตร์และเทคโนโลยี Gwangju ในเกาหลีได้พัฒนาแบบจำลองการเรียนรู้ลึกใหม่ที่สามารถคาดการณ์การจับกันระหว่างยากับโมเลกุลเป้าหมายได้ ทีมนี้ซึ่งนำโดยผู้ช่วยศาสตราจารย์ Hojung Nam และนักศึกษาระดับ 박사 Ingoo Lee ได้ตั้งชื่อแบบจำลองใหม่นี้ว่า “Highlights on Target Sequences” (HoTS)

การวิจัยนี้ได้รับการตีพิมพ์ใน Journal of Cheminformatics

กระบวนการค้นพบยาสำหรับการรักษา

ยาจะถูกทดสอบในกระบวนการค้นพบยาสำหรับการรักษาเพื่อความสามารถในการจับกันหรือโต้ตอบกับโมเลกุลเป้าหมายในร่างกาย แบบจำลองการเรียนรู้ลึกได้พิสูจน์แล้วว่ามีประโยชน์ในการทำให้กระบวนการนี้มีประสิทธิภาพมากขึ้น แต่การคาดการณ์ของพวกมันไม่ได้แสดงให้เห็นถึงความสามารถในการตีความเสมอไป นั่นคือเหตุผลที่ทีมได้สร้าง HoTS ซึ่งสามารถคาดการณ์การโต้ตอบระหว่างยากับเป้าหมายได้ดีขึ้นในขณะเดียวกันก็มีความสามารถในการตีความ

เป็นสิ่งสำคัญที่จะต้องกำหนดว่ายาเข้าจับกับโมเลกุลเป้าหมายได้ดีเพียงใด และโดยทั่วไปจะเกี่ยวข้องกับการจัดเรียงโครงสร้าง 3 มิติของยาและโปรตีนเป้าหมายที่หลายๆ คอนฟิกูเรชัน กระบวนการนี้เรียกว่า “docking” หลังจากกระบวนการนี้ จุดจับกันที่ต้องการจะถูกค้นพบโดยการวิ่งซิมูเลชัน docking หลายๆ ครั้งพร้อมกับหลายๆ ยา候補สำหรับโมเลกุลเป้าหมาย แบบจำลองการเรียนรู้ลึกถูกใช้ในการดำเนินซิมูเลชันเหล่านี้

แบบจำลอง HoTS

แบบจำลองใหม่ที่พัฒนาขึ้นสามารถคาดการณ์การโต้ตอบระหว่างยากับเป้าหมาย (DTIs) ได้โดยไม่ต้องใช้ซิมูเลชันหรือโครงสร้าง 3 มิติ

“ก่อนอื่น เราสอนแบบจำลองให้ทราบว่า哪่ส่วนของลำดับโปรตีนจะโต้ตอบกับยาโดยใช้ความรู้ก่อนหน้า” ศาสตราจารย์ Nam อธิบาย “แบบจำลองที่ได้รับการฝึกจะถูกใช้เพื่อจดจำและคาดการณ์การโต้ตอบระหว่างยาและโปรตีนเป้าหมาย โดยให้ผลการคาดการณ์ที่ดีขึ้น โดยใช้แบบจำลองนี้ เราสามารถสร้างแบบจำลองที่สามารถคาดการณ์ภูมิภาคการจับกันของโปรตีนเป้าหมายและโต้ตอบกับยาได้โดยไม่ต้องมีโครงสร้าง 3 มิติ”

แบบจำลองไม่จำเป็นต้องจัดการกับความยาวทั้งหมดของลำดับโปรตีน แต่สามารถคาดการณ์ได้โดยอาศัยส่วนของโปรตีนที่เกี่ยวข้องกับการโต้ตอบ DTI

“เราได้สอนแบบจำลองให้ทราบว่าควร ‘มุ่งเน้น’ ที่ไหนเพื่อให้สามารถเข้าใจภูมิภาคย่อยที่สำคัญของโปรตีนในการคาดการณ์การโต้ตอบกับยา候補” ศาสตราจารย์ Nam tiếp tục

สิ่งนี้ทำให้แบบจำลองสามารถคาดการณ์การโต้ตอบ DTI ได้อย่างแม่นยำมากกว่าแบบจำลองที่มีอยู่

การค้นพบใหม่เหล่านี้จะเป็นจุดเริ่มต้นที่ดีสำหรับการจำลองซิมูเลชัน docking ในอนาคตเพื่อคาดการณ์ยาใหม่ๆ

“แบบจำลองที่ใช้ใน nghiên cứuของเราจะทำให้กระบวนการค้นพบยาสำหรับการรักษามีความโปร่งใสมากขึ้น ตลอดจนมีความเสี่ยงและต้นทุนต่ำ ซึ่งจะทำให้นักวิจัยสามารถค้นพบยามากขึ้นในงบประมาณและเวลาที่เท่ากัน” ศาสตราจารย์ Nam สรุป