Дослідники використовують глибоке навчання для ідентифікації нових ліків

Дослідники в Інституті науки і технологій Гванджу в Кореї розробили нову модель глибокого навчання, яка може передбачити зв’язок між лікарським засобом і цільовим молекулом. Команда, яку очолював асоційований професор Ходжун Нам і аспірант Інгу Лі, назвала нову модель «Виїмки на цільових послідовностях» (HoTS). 

Дослідження було опубліковано в Журналі хемінформатики. 

Процес відкриття ліків

Ліки тестуються в процесі відкриття ліків на їхню здатність зв’язуватися або взаємодіяти з цільовими молекулами в організмі. Моделі глибокого навчання довели свою корисність у підвищенні ефективності цього процесу, але їхні передбачення не завжди демонструють інтерпретацію. Саме тому команда створила HoTS, який робить кращі передбачення взаємодій лікарського засобу та цільової молекули, а також є інтерпретованим. 

Важливо визначити, наскільки добре лікарський засіб зв’язується з цільовою молекулою, і це зазвичай включає в себе вирівнювання 3D-структури лікарського засобу та його цільової білкової молекули в різних конфігураціях. Цей процес називається «докінг».  Після цього процесу виявляються бажані місця зв’язування шляхом виконання докінгових симуляцій знову і знову з декількома кандидатами лікарських засобів для цільової молекули. Моделі глибокого навчання використовуються для виконання цих симуляцій. 

Модель HoTS

Нова розроблена модель також може передбачити взаємодію лікарського засобу та цільової молекули (DTI) без потреби в симуляціях або 3D-структурах. 

«Спочатку ми явно вчимо модель, які частини білкової послідовності взаємодіятимуть з лікарським засобом, використовуючи попередні знання», – пояснює професор Нам. «Потренована модель потім використовується для визнання та передбачення взаємодій між лікарськими засобами та цільовими білками, що дає кращі показники передбачення. Використовуючи це, ми створили модель, яка може передбачити області зв’язування цільових білків та їхню взаємодію з лікарськими засобами без 3D-комплексу». 

Модель не повинна мати справу з повною довжиною білкової послідовності. Натомість вона може робити передбачення на основі частин білкової молекули, які мають значення для взаємодії DTI. 

«Ми навчили модель, де «зосередитися», щоб забезпечити, що вона може зрозуміти важливі підрегіони білків при передбаченні їхньої взаємодії з кандидатами лікарських засобів», – продовжує професор Нам. 

Це дозволяє моделі передбачати DTI більш точно, ніж існуючі моделі. 

Ці нові відкриття забезпечать добру основу для майбутніх докінгових симуляцій для передбачення нових кандидатів лікарських засобів. 

«Ця модель, використана в нашому дослідженні, зробить процес відкриття ліків більш прозорим, а також низькоризиковим і низькозатратним. Це дозволить дослідникам відкрити більше ліків за той самий бюджет і час», – підсумовує професор Нам.