Các nhà nghiên cứu sử dụng học sâu để xác định các loại thuốc mới

Các nhà nghiên cứu tại Viện Khoa học và Công nghệ Gwangju ở Hàn Quốc đã phát triển một mô hình học sâu mới có thể dự đoán sự liên kết giữa một loại thuốc và phân tử mục tiêu. Đội ngũ này, được lãnh đạo bởi giáo sư phụ tá Hojung Nam và sinh viên tiến sĩ Ingoo Lee, đã đặt tên cho mô hình mới là “Highlights on Target Sequences” (HoTS).

Nghiên cứu này đã được công bố trên tạp chí Journal of Cheminformatics.

Quy trình khám phá thuốc

Thuốc được thử nghiệm trong quy trình khám phá thuốc để xác định khả năng liên kết hoặc tương tác với các phân tử mục tiêu trong cơ thể. Các mô hình học sâu đã chứng minh được hữu ích trong việc làm cho quy trình này hiệu quả hơn, nhưng dự đoán của chúng không luôn luôn thể hiện tính giải thích. Đó là lý do tại sao đội ngũ đã tạo ra HoTS, mô hình này đưa ra dự đoán tốt hơn về tương tác giữa thuốc và mục tiêu đồng thời cũng giải thích được.

Điều quan trọng là phải xác định xem một loại thuốc liên kết với phân tử mục tiêu của nó như thế nào, và điều này thường liên quan đến việc sắp xếp cấu trúc 3D của một loại thuốc và protein mục tiêu của nó ở các cấu hình khác nhau. Quy trình này được gọi là “docking”. Sau đó, các vị trí liên kết được ưu tiên sẽ được phát hiện bằng cách chạy các mô phỏng docking nhiều lần với nhiều ứng viên thuốc cho một phân tử mục tiêu. Các mô hình học sâu được sử dụng để thực hiện các mô phỏng này.

Mô hình HoTS

Mô hình mới này cũng có thể dự đoán tương tác giữa thuốc và mục tiêu (DTI) mà không cần mô phỏng hoặc cấu trúc 3D.

“Trước tiên, chúng tôi dạy mô hình biết các phần của trình tự protein sẽ tương tác với thuốc bằng kiến thức trước đó,” Giáo sư Nam giải thích. “Mô hình đã được đào tạo sau đó được sử dụng để nhận biết và dự đoán tương tác giữa thuốc và protein mục tiêu, mang lại hiệu suất dự đoán tốt hơn. Sử dụng điều này, chúng tôi đã xây dựng một mô hình có thể dự đoán các vùng liên kết của protein mục tiêu và tương tác của chúng với thuốc mà không cần phức hợp 3D.”

Mô hình này không cần phải xử lý toàn bộ chiều dài của trình tự protein. Thay vào đó, nó có thể đưa ra dự đoán dựa trên các phần của protein có liên quan đến tương tác DTI.

“Chúng tôi đã dạy mô hình biết cách ‘tập trung’ để đảm bảo rằng nó có thể hiểu các vùng con quan trọng của protein khi dự đoán tương tác của nó với các ứng viên thuốc,” Giáo sư Nam tiếp tục.

Điều này cho phép mô hình dự đoán DTI chính xác hơn so với các mô hình hiện có.

Những phát hiện mới này sẽ cung cấp một điểm khởi đầu tốt cho các mô phỏng docking trong tương lai để dự đoán các ứng viên thuốc mới.

“Mô hình này được sử dụng trong nghiên cứu của chúng tôi sẽ làm cho quy trình khám phá thuốc trở nên minh bạch hơn cũng như ít rủi ro và chi phí thấp. Điều này sẽ cho phép các nhà nghiên cứu khám phá nhiều loại thuốc hơn với cùng một mức ngân sách và thời gian,” Giáo sư Nam kết luận.