I ricercatori utilizzano il deep learning per identificare nuovi farmaci
I ricercatori del Gwangju Institute of Science and Technology in Corea hanno sviluppato un nuovo modello di apprendimento profondo in grado di prevedere il legame tra un farmaco e una molecola bersaglio. Il team, guidato dal professore associato Hojung Nam e dal dottorando Ingoo Lee, ha chiamato il nuovo modello “Highlights on Target Sequences” (HoTS).
La ricerca è stata pubblicata sul Journal of Cheminformatics .
Il processo di scoperta della droga
I farmaci vengono testati nel processo di scoperta dei farmaci per la loro capacità di legarsi o interagire con le molecole bersaglio nel corpo. I modelli di deep learning si sono rivelati utili per rendere questo processo più efficace, ma le loro previsioni non sempre dimostrano interpretabilità. Ecco perché il team ha creato HoTS, che rende migliori previsioni delle interazioni farmaco-bersaglio pur essendo interpretabile.
È fondamentale determinare quanto bene un farmaco si lega alla sua molecola bersaglio e questo di solito comporta l’allineamento di una struttura 3D di un farmaco e della sua proteina bersaglio a varie configurazioni. Questo processo è denominato “aggancio”. Seguendo questo processo, i siti di legame preferiti vengono quindi scoperti eseguendo simulazioni di docking più e più volte con più farmaci candidati per una molecola bersaglio. Per eseguire queste simulazioni si fa affidamento sui modelli di deep learning.
Modello HotS
Il modello appena sviluppato può anche prevedere le interazioni farmaco-bersaglio (DTI) senza la necessità di simulazioni o strutture 3D.
“In primo luogo, insegniamo esplicitamente al modello quali parti di una sequenza proteica interagiranno con il farmaco utilizzando conoscenze pregresse”, spiega il professor Nam. “Il modello addestrato viene quindi utilizzato per riconoscere e prevedere le interazioni tra farmaci e proteine bersaglio, fornendo migliori prestazioni di previsione. Usando questo, abbiamo costruito un modello in grado di prevedere le regioni di legame delle proteine bersaglio e le loro interazioni con i farmaci senza un complesso 3D”.
Il modello non deve occuparsi della lunghezza completa della sequenza proteica. Invece, può fare previsioni basate su parti della proteina che sono rilevanti per l’interazione DTI.
“Abbiamo insegnato al modello dove ‘focalizzarsi’ per garantire che possa comprendere importanti sottoregioni di proteine nel predire la sua interazione con i farmaci candidati”, continua il professor Nam.
Ciò consente al modello di prevedere le DTI in modo più accurato rispetto ai modelli esistenti.
Queste nuove scoperte forniranno un buon punto di partenza per future simulazioni di docking per prevedere nuovi farmaci candidati.
“Questo modello utilizzato nel nostro studio renderebbe il processo di scoperta dei farmaci più trasparente, a basso rischio ea basso costo. Ciò consentirà ai ricercatori di scoprire più farmaci per la stessa quantità di budget e tempo”, conclude il professor Nam.
