Araştırmacılar Yeni İlaçları Tanımlamak için Derin Öğrenmeyi Kullanıyorlar

Güney Kore’deki Gwangju Bilim ve Teknoloji Enstitüsü’ndeki araştırmacılar, bir ilacın ve hedef molekülün bağlanmasını öngörebilen yeni bir derin öğrenme modeli geliştirdiler. Associate profesör Hojung Nam ve PhD öğrencisi Ingoo Lee’nin liderliğindeki ekip, yeni modeli “Hedef Dizileri Vurgula” (HoTS) olarak adlandırdı.

Araştırma, Journal of Cheminformatics‘de yayınlandı.

İlaç Keşif Süreci

İlaçlar, ilaç keşif sürecinde vücuttaki hedef moleküllerle bağlanma veya etkileşim yetenekleri için test edilir. Derin öğrenme modelleri, bu süreci daha etkili hale getirmede faydalı olmuştur, ancak öngörülerinin her zaman yorumlanabilirlik göstermediği görülmüştür. Bu nedenle, ekip HoTS’u oluşturdu, bu model hem daha iyi ilaç-hedef etkileşimleri öngörür hem de yorumlanabilir.

Bir ilacın hedef molekülüne ne kadar iyi bağlandığını belirlemek çok önemlidir ve bu genellikle bir ilacın ve hedef proteininin 3D yapısını çeşitli konfigürasyonlarda hizalamayı içerir. Bu süreç “docking” olarak adlandırılır. Bu işlemin ardından, tercih edilen bağlanma siteleri, bir hedef molekül için birden fazla ilaç adayı ile tekrar tekrar docking simülasyonları çalıştırılarak keşfedilir. Derin öğrenme modelleri bu simülasyonları gerçekleştirmek için kullanılır.

HoTS Modeli

Yeni geliştirilen model, simülasyonlara veya 3D yapılara gerek kalmadan ilaç-hedef etkileşimlerini (DTI’ler) öngörebilir.

“Öncelikle, modeli, bir protein dizisinin hangi kısımlarının ilacı etkileyeceğini önceden bildiğimiz bilgilerle açık bir şekilde öğretiyoruz” diye açıklıyor Profesör Nam. “Eğitilen model daha sonra ilaçlarla hedef proteinler arasındaki etkileşimleri tanıma ve öngörmeye kullanılır, bu da daha iyi öngörü performansları sağlar. Bunu kullanarak, 3D-kompleks olmadan hedef proteinlerin bağlanma bölgelerini ve ilaçlarla etkileşimlerini öngörebilen bir model oluşturduk.”

Model, protein dizisinin tam uzunluğuyla uğraşmak zorunda değildir. Bunun yerine, DTI etkileşimiyle ilgili proteinin ilgili kısımlarına dayanarak öngörülerde bulunabilir.

“Modeli, önemli protein alt-bölgelerini ilaçlarla etkileşimlerini öngörürken anlamak için ‘odaklanmasını’ sağlamak için nereye ‘odaklanacağını’ öğretiyoruz” diye devam ediyor Profesör Nam.

Bu, modelin mevcut modellerden daha doğru bir şekilde DTI’leri öngörmesine olanak tanır.

Bu yeni bulgular, yeni ilaç adaylarını öngörmek için gelecekteki docking simülasyonları için iyi bir başlangıç noktası sağlayacaktır.

“Çalışmamızda kullanılan bu model, ilaç keşif sürecini daha şeffaf, düşük riskli ve düşük maliyetli hale getirecektir. Bu, araştırmacıların aynı bütçe ve zaman için daha fazla ilaç keşfetmesine olanak tanıyacaktır” diye Profesör Nam sonuçlandırıyor.