Традиционные методы разработки лекарств
Традиционные методы разработки лекарств включают идентификацию целевого белка (например, рецептора раковых клеток), который вызывает заболевание, и последующий поиск среди бесчисленного количества молекулярных кандидатов (потенциальных лекарств), которые могут связываться с этим белком и блокировать его функцию. Этот процесс дорогостоящий, отнимает много времени и имеет низкий уровень успеха.
Инновационный подход KAIST
Исследователи KAIST разработали модель искусственного интеллекта, которая, используя только информацию о целевом белке, может проектировать оптимальных кандидатов в лекарства без каких-либо предварительных молекулярных данных — открывая новые возможности для открытия лекарств. Исследование опубликовано в журнале Advanced Science.
Описание модели BInD
Исследовательская группа под руководством профессора Ун Кима разработала модель искусственного интеллекта под названием BInD (Bond and Interaction-generating Diffusion model), которая может проектировать и оптимизировать молекулы-кандидаты лекарств, адаптированные к структуре белка, без необходимости предварительной информации о связывающих молекулах. Модель также предсказывает механизм связывания (нековалентные взаимодействия) между лекарством и целевым белком.
Принцип одновременного проектирования
Основное новшество этой технологии заключается в подходе «одновременного проектирования». Предыдущие модели искусственного интеллекта либо фокусировались на генерации молекул, либо отдельно оценивали, может ли сгенерированная молекула связываться с целевым белком. В отличие от них, новая модель учитывает механизм связывания между молекулой и белком в процессе генерации, позволяя осуществлять комплексное проектирование за один шаг.
Преимущества модели
Поскольку модель заранее учитывает критические факторы связывания белок-лиганд, у неё гораздо выше вероятность генерации эффективных и стабильных молекул. Процесс генерации наглядно демонстрирует, как типы и положения атомов, ковалентные связи и взаимодействия создаются одновременно, чтобы соответствовать сайту связывания белка.
Кроме того, эта модель разработана таким образом, чтобы одновременно соответствовать множеству важных критериев разработки лекарств, таких как аффинность связывания с мишенью, свойства, подобные лекарствам, и структурная стабильность. Традиционные модели часто оптимизировались только для одной или двух целей в ущерб другим, но эта новая модель балансирует различные задачи, значительно повышая её практическую применимость.
Применение стратегии оптимизации
Команда применила стратегию оптимизации, при которой выдающиеся модели связывания из предыдущих результатов используются повторно. Это позволило модели генерировать ещё более эффективных кандидатов в лекарства без дополнительного обучения. Примечательно, что искусственный интеллект успешно создал молекулы, которые избирательно связываются с мутированными остатками EGFR, белка-мишени, связанного с раком.
Это исследование также важно, поскольку выходит за рамки предыдущих исследований команды, которые требовали предварительного ввода об условиях молекулярного взаимодействия при связывании белка.
Профессор Ун Ким заявил: «Недавно разработанная модель искусственного интеллекта может учиться и понимать ключевые особенности, необходимые для прочного связывания с целевым белком, и проектировать оптимальные молекулы-кандидаты в лекарства — даже без какого-либо предварительного ввода. Это может значительно изменить парадигму разработки лекарств».
Ожидается, что эта технология, генерирующая молекулярные структуры на основе принципов химических взаимодействий, позволит ускорить и повысить надёжность разработки лекарств.
Предоставлено Корейским передовым институтом науки и технологий (KAIST)