研究人員使用可解釋的深度學習預測識別新藥

藥物發(fā)現(xiàn)的一個重要方面涉及確定藥物與其靶(蛋白質(zhì))分子的結(jié)合程度。通常，此步驟涉及在稱為“對接”的過程中以各種配置對齊藥物的 3D 結(jié)構(gòu)及其靶蛋白。然后通過對特定目標分子的多種候選藥物反復運行對接模擬來發(fā)現(xiàn)優(yōu)選的結(jié)合位點。通常，由于潛在藥物-靶標相互作用的潛在候選者數(shù)量眾多，因此使用深度學習模型進行此類模擬。然而，使用此類模型的一個問題是難以解釋其預測。雖然深度學習確實有助于快速發(fā)現(xiàn)藥物，但它只不過是一個黑匣子。此外，

在最近發(fā)表在化學信息學雜志上的一項研究中，副教授 Hojung Nam 和她的博士學位。來自韓國光州科技學院的學生 Ingoo Lee 開發(fā)了一種新的深度學習模型，稱為“目標序列亮點”(HoTS)，用于預測藥物與目標分子之間的結(jié)合。新模型不僅做出了更好的預測，而且更有趣的是，它以一種可解釋的方式做到了。此外，該模型無需模擬或 3D 結(jié)構(gòu)即可預測藥物-靶標相互作用 (DTI)。

團隊是如何實現(xiàn)這一壯舉的?Nam 教授解釋了他們的藥物-靶點相互作用預測模型是如何工作的：“首先，我們使用先驗知識明確地教導模型蛋白質(zhì)序列的哪些部分將與藥物相互作用。然后利用訓練后的模型來識別和預測藥物和藥物之間的相互作用。 “目標蛋白，提供更好的預測性能。利用這個，我們建立了一個模型，可以預測目標蛋白的結(jié)合區(qū)域及其與藥物的相互作用，而無需 3D 復合物。”

該模型可以僅根據(jù)與 DTI 相互作用相關的蛋白質(zhì)部分進行預測，而不是處理蛋白質(zhì)序列的完整長度。“我們教會了模型‘聚焦’的地方，以確保它能夠理解蛋白質(zhì)的重要??子區(qū)域，以預測其與候選藥物的相互作用，”Nam 教授詳細說明。這反過來又使模型能夠比現(xiàn)有模型更準確地預測 DTI。

考慮到該模型不需要有關 3D 結(jié)構(gòu)的信息并提供易于理解的預測，本研究的結(jié)果為進一步對接模擬以預測靶向治療的新候選藥物提供了一個良好的起點，從而加速了該領域的進步。“我們研究中使用的模型將使藥物發(fā)現(xiàn)過程更加透明、低風險和低成本。這將使研究人員能夠以相同的預算和時間發(fā)現(xiàn)更多的藥物，”Nam 教授總結(jié)道。

標簽：