Метод машинного обучения позволит быстрее проверять новые препараты на эффективность

Исследователи из Института Броуда Массачусетского технологического института и Гарварда представили новый метод машинного обучения DeepBAR, который ускоряет расчеты эффективности связывания молекул лекарств с белками. Именно этот показатель позволяет проверить, будет ли новый препарат работать.

Подход позволяет производить точные расчеты за меньшее время по сравнению с другими методами. «Наш метод на порядки быстрее, а это означает, что мы можем открывать новые лекарства, которые будут одновременно эффективными и надежными», — говорит соавтор исследования Бин Чжан.

Связывание между молекулой лекарственного средства и целевым белком измеряется величиной, называемой свободной энергией связывания. Чем меньше это число, тем связывание более крепкое. Расчет свободной энергии связывания лекарства является показателем его потенциальной эффективности.

Один из методов расчета величины свободной энергии связывания заключается в точном расчете ее количества, однако это требует много времени и вычислительных ресурсов. Второй метод считается менее затратным в вычислительном отношении, но дает только приближенные значения.

DeepBAR же точно вычисляет показатель свободной энергии связи, требуя гораздо меньше вычислений. Он сочетает в себе традиционные химические расчеты с последними достижениями в области машинного обучения.

«BAR» в DeepBAR означает «коэффициент принятия Беннетта». Соответствующий алгоритм, которому уже несколько десятилетий, применяется для точных расчетов свободной энергии связи. Его использование требует знания двух состояний «конечной точки». В данном случае, это может быть молекула лекарственного средства, связанная с белком, и молекула, полностью диссоциированная от белка. Кроме того, требуется знать промежуточные состояния молекулы (например, различных уровней частичного связывания ).

DeepBAR использует коэффициент принятия Беннета в обучении глубоких генеративных моделей. «Эти модели создают эталонное состояние для каждой конечной точки, связанного состояния и несвязанного состояния», — поясняет Чжан.

Исследователи позаимствовали модель из области компьютерного зрения, которую используют для компьютерного синтеза изображений. Это позволяет рассматривать каждую молекулярную структуру как изображение, которое может изучить модель.

Однако при разработке DeepBAR возникали и подводные камни. Поскольку модели изначально были разработаны для 2D-изображений, их необходимо было адаптировать для 3D-структур.

В тестах с использованием небольших белковоподобных молекул DeepBAR рассчитал свободную энергию связывания почти в 50 раз быстрее.

Исследователи добавляют, что, помимо скрининга лекарств, DeepBAR можно использовать для моделирования взаимодействий между несколькими белками. В будущем они планируют улучшить DeepBAR для выполнения вычислений для больших белков.

Ранее команда Массачусетского технологического института и Института данных, систем и общества разработала подход на основе машинного обучения для выявления уже имеющихся на рынке лекарств, которые потенциально могут быть перепрофилированы для борьбы с Covid-19. Кроме того, сотрудники МТИ, Кембриджского и Гарвардского университетов предлагали использовать для анализа мутаций вирусов искусственный интеллект, предназначенный для распознавания текста.

Источник

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *