研究人员使用深度学习来识别新药物

韩国科学技术院的研究人员开发了一种新的深度学习模型，可以预测药物和目标分子的结合。由副教授Hojung Nam和博士生Ingoo Lee领导的团队，将这种新的模型称为“目标序列的亮点”（HoTS）。

该研究发表在化学信息学杂志上。

药物发现过程

在药物发现过程中，药物被测试以确定其与体内目标分子的结合或相互作用能力。深度学习模型在使这一过程更有效方面已经证明是有用的，但它们的预测并不总是具有可解释性。这就是为什么团队创建了HoTS，它既可以更好地预测药物-目标相互作用，又具有可解释性。

确定药物与其目标分子结合的程度至关重要，这通常涉及以各种配置对齐药物和其目标蛋白的3D结构。这个过程被称为“对接”。然后，通过对多个药物候选物和目标分子运行对接模拟，发现了首选的结合位点。深度学习模型被用来执行这些模拟。

HoTS模型

新开发的模型还可以在不需要模拟或3D结构的情况下预测药物-目标相互作用（DTI）。

“首先，我们明确地教导模型哪些蛋白序列部分将与药物相互作用，使用先前的知识，”Nam教授解释道。“然后，训练好的模型被用来识别和预测药物与目标蛋白之间的相互作用，提供更好的预测性能。使用这种方法，我们构建了一个可以预测目标蛋白的结合区域及其与药物的相互作用的模型，而无需3D复合物。”

该模型不需要处理整个蛋白序列的长度。相反，它可以根据与DTI相互作用相关的蛋白部分来进行预测。

“我们教导模型关注哪里，以便它能够理解预测其与候选药物相互作用的蛋白的重要子区域，”Nam教授继续说。

这使得该模型能够比现有的模型更准确地预测DTI。

这些新发现将为未来对接模拟提供一个良好的起点，以预测新的药物候选物。

“我们研究中使用的这个模型将使药物发现过程更加透明、低风险和低成本。这将使研究人员能够在相同的预算和时间内发现更多的药物，”Nam教授总结道。