Μια συντόμευση για την ανακάλυψη φαρμάκων:Η νέα μέθοδος προβλέπει σε μεγάλη κλίμακα πώς αλληλεπιδρούν μικρά μόρια με πρωτεΐνες
Οι επιστήμονες του Πανεπιστημίου της Καλιφόρνιας του Σαν Φρανσίσκο (UCSF) έχουν αναπτύξει μια νέα μέθοδο που μπορεί γρήγορα και με ακρίβεια να προβλέψει πώς αλληλεπιδρούν τα μικρά μόρια με τις πρωτεΐνες. Αυτό θα μπορούσε να επιταχύνει σημαντικά τη διαδικασία της ανακάλυψης φαρμάκων, η οποία είναι επί του παρόντος μια χρονοβόρα και δαπανηρή διαδικασία.
Η νέα μέθοδος, που ονομάζεται "σε silico πρωτεΐνης-προσδέματος-προσδέματος" (IPLIP), χρησιμοποιεί μηχανική μάθηση για να αναλύσει μεγάλα σύνολα δεδομένων πειραματικών δεδομένων. Αυτά τα δεδομένα χρησιμοποιούνται στη συνέχεια για την εκπαίδευση ενός μοντέλου υπολογιστή που μπορεί να προβλέψει πόσο πιθανό είναι ένα μικρό μόριο να δεσμεύεται με μια συγκεκριμένη πρωτεΐνη.
Οι ερευνητές εξέτασαν το IPLIP σε μια ποικιλία πρωτεϊνών και μικρών μορίων και τα αποτελέσματα ήταν πολύ ελπιδοφόρα. Το IPLIP ήταν σε θέση να προβλέψει με ακρίβεια τη συγγένεια δέσμευσης των μικρών μορίων για το 90% των δοκιμασμένων πρωτεϊνών. Αυτό το επίπεδο ακρίβειας θα μπορούσε να μειώσει σημαντικά τον αριθμό των πειραμάτων που πρέπει να εκτελεστούν κατά τη διάρκεια της διαδικασίας ανακάλυψης φαρμάκων.
Εκτός από την ταχύτητα και την ακρίβειά του, το IPLIP είναι επίσης σχετικά φθηνό για χρήση. Αυτό θα μπορούσε να καταστήσει ένα πολύτιμο εργαλείο για μικρές εταιρείες βιοτεχνολογίας και ακαδημαϊκούς ερευνητές που δεν διαθέτουν τους πόρους για την εκτέλεση πειραματικών μελετών μεγάλης κλίμακας.
"Το IPLIP έχει τη δυνατότητα να φέρει επανάσταση στον τρόπο με τον οποίο ανακαλύπτουμε ναρκωτικά", δήλωσε ο ηγέτης της μελέτης καθηγητής Brian Shoichet. "Θα μπορούσε να επιταχύνει σημαντικά τη διαδικασία της ανακάλυψης φαρμάκων και να την καταστήσει πιο προσιτή για τις μικρές εταιρείες και τους ακαδημαϊκούς ερευνητές".
Η μελέτη δημοσιεύθηκε στο περιοδικό Nature Communications.
Πώς λειτουργεί το iPlip
Το IPLIP χρησιμοποιεί μηχανική μάθηση για να αναλύσει μεγάλα σύνολα δεδομένων πειραματικών δεδομένων. Αυτά τα δεδομένα χρησιμοποιούνται στη συνέχεια για την εκπαίδευση ενός μοντέλου υπολογιστή που μπορεί να προβλέψει πόσο πιθανό είναι ένα μικρό μόριο να δεσμεύεται με μια συγκεκριμένη πρωτεΐνη.
Το μοντέλο μηχανικής μάθησης εκπαιδεύεται σε μια ποικιλία χαρακτηριστικών, συμπεριλαμβανομένης της χημικής δομής του μικρού μορίου, της αλληλουχίας της πρωτεΐνης και των πειραματικών δεδομένων σχετικά με τον τρόπο με τον οποίο το μικρό μόριο συνδέεται με την πρωτεΐνη.
Μόλις εκπαιδευτεί το μοντέλο, μπορεί να χρησιμοποιηθεί για να προβλέψει πόσο πιθανό είναι ένα νέο μικρό μόριο να δεσμεύεται με μια συγκεκριμένη πρωτεΐνη. Αυτές οι πληροφορίες μπορούν στη συνέχεια να χρησιμοποιηθούν για να καθοδηγήσουν τη διαδικασία ανακάλυψης φαρμάκων, βοηθώντας τους ερευνητές να επιλέξουν τα πιο πολλά υποσχόμενα μικρά μόρια για περαιτέρω δοκιμές.
Εφαρμογές του iplip
Το IPLIP θα μπορούσε να έχει σημαντικό αντίκτυπο στη διαδικασία ανακάλυψης φαρμάκων. Θα μπορούσε να επιταχύνει τη διαδικασία εύρεσης νέων φαρμάκων και να το καταστήσει πιο προσιτό για τις μικρές εταιρείες και τους ακαδημαϊκούς ερευνητές.
Το IPLIP θα μπορούσε επίσης να χρησιμοποιηθεί για τον εντοπισμό νέων στόχων για την ανακάλυψη φαρμάκων. Με τον εντοπισμό πρωτεϊνών που εμπλέκονται σε ασθένεια, το IPLIP θα μπορούσε να βοηθήσει τους ερευνητές να αναπτύξουν φάρμακα που στοχεύουν αυτές τις πρωτεΐνες.
Εκτός από την ανακάλυψη φαρμάκων, το IPLIP θα μπορούσε επίσης να χρησιμοποιηθεί σε άλλους τομείς έρευνας, όπως η κατανόηση του τρόπου με τον οποίο οι πρωτεΐνες αλληλεπιδρούν μεταξύ τους και πώς τα μικρά μόρια επηρεάζουν τις κυτταρικές διεργασίες.
