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 ліками та цільовим молекулом. Команда, яку очолював асоційований професор Ходжун Нам і аспірант Інгу Лі, назвала нову модель «Highlights on Target Sequences» (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 ефективність у цьому процесі, але їхні передбачення не завжди демонструють інтерпретацію. Саме тому команда створила HoTS, який робить кращі передбачення взаємодій ліків та цільових молекул, а також є інтерпретованим.

Важливо визначити, як добре лік зв’язується з цільовим молекулом, і це зазвичай включає в себе вирівнювання 3D-структури ліків та їх цільового білка в різних конфігураціях. Цей процес називається «докінг». Після цього процесу виявляються переважні місця зв’язування шляхом виконання докінгових симуляцій знову і знову з多цифровими ліками для цільової молекули. Моделі глибокого навчання використовуються для виконання цих симуляцій.

Модель HoTS

Розроблена модель також може передбачити взаємодії ліків та цільових молекул (DTI) без потреби в симуляціях чи 3D-структурах.

«Спочатку ми явно вчимо модель, які частини білкової послідовності взаємодіятимуть з ліками, використовуючи попередні знання», – пояснює професор Нам. «Потренована модель потім використовується для розпізнавання та передбачення взаємодій ліків та цільових білків, забезпечуючи кращі результати передбачення. Використовуючи це, ми побудували модель, яка може передбачити регіони зв’язування цільових білків та їх взаємодії з ліками без 3D-комплексу».

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

«Ми навчили модель, де «зосередитися», щоб вона могла зрозуміти важливі підрегіони білків при передбаченні їх взаємодії з кандидатами на ліки», – продовжує професор Нам.

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

Ці нові результати будуть хорошою основою для майбутніх докінгових симуляцій для передбачення нових кандидатів на ліки.

«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.