Используя метод, который моделирует взаимодействия лекарств и целевых белков с использованием методов обработки естественного языка, исследователи достигли точности до 97% в определении перспективных кандидатов на лекарства. Результаты были недавно опубликованы в журнале Брифинги по биоинформатике.

Методика представляет взаимодействия между лекарственным средством и белком с помощью слов для каждого сайта связывания белка и использует глубокое обучение для извлечения особенностей, которые управляют сложными взаимодействиями между ними.

"Поскольку ИИ становится все более доступным, это стало тем, с чем ИИ может справиться", - говорит соавтор исследования Озлем Гарибай, доцент кафедры промышленного инжиниринга и систем управления Калифорнийского университета. "Вы можете попробовать так много вариантов белков и лекарственных взаимодействий и выяснить, какие из них с большей вероятностью будут связываться, а какие нет".

Разработанная ими модель, известная как AttentionSiteDTI, является первой, которую можно интерпретировать с использованием языка сайтов связывания белков.

Эта работа важна, потому что она поможет разработчикам лекарств определить критические сайты связывания белков наряду с их функциональными свойствами, что является ключом к определению того, будет ли лекарство эффективным.

Исследователи добились этого, разработав механизм самоконтроля, который позволяет модели узнавать, какие части белка взаимодействуют с лекарственными соединениями, достигая при этом самых современных показателей прогнозирования.

Способность механизма к самоконтролю работает за счет избирательного фокусирования на наиболее важных частях белка.

Исследователи подтвердили свою модель, используя лабораторные эксперименты, в которых измерялись взаимодействия связывания между соединениями и белками, а затем сравнили результаты с теми, которые были предсказаны их моделью с помощью вычислений. Поскольку лекарства для лечения COVID по-прежнему представляют интерес, эксперименты также включали тестирование и валидацию лекарственных соединений, которые могли бы связываться со спайковым белком вируса SARS-CoV2.

Гарибей говорит, что высокое соответствие между результатами лабораторных исследований и расчетными прогнозами иллюстрирует потенциал AttentionSiteDTI для предварительного скрининга потенциально эффективных лекарственных соединений и ускорения исследования новых лекарств и перепрофилирования существующих.

"Это высокоэффективное исследование стало возможным только благодаря междисциплинарному сотрудничеству между инженерами-материаловедами и специалистами в области искусственного интеллекта / ML и информатики для решения проблем, связанных с COVID", - говорит Судипта Сил, соавтор исследования и заведующий кафедрой материаловедения и инженерии Калифорнийского университета.

Мехди Яздани-Яхроми, докторант Колледжа инженерии и компьютерных наук Калифорнийского университета и ведущий автор исследования, говорит, что эта работа открывает новое направление в предварительном скрининге лекарств.

"Это позволяет исследователям использовать искусственный интеллект для более точного определения лекарств, чтобы быстро реагировать на новые заболевания", - говорит Яздани-Яхроми. "Этот метод также позволяет исследователям определить наилучший сайт связывания белка вируса, на котором можно сосредоточиться при разработке лекарств".

"Следующим шагом наших исследований будет разработка новых лекарств с использованием возможностей искусственного интеллекта", - говорит он. "Это, естественно, может стать следующим шагом для подготовки к пандемии".

Исследование финансировалось внутренней программой начального финансирования UCF в области искусственного интеллекта и больших данных.

Соавторами исследования также были Нилуфар Юсефи, научный сотрудник Лаборатории комплексных адаптивных систем Калифорнийского университета в колледже инженерии и компьютерных наук Калифорнийского университета; Аида Тайеби, докторант кафедры промышленного инжиниринга и систем управления Калифорнийского университета; Элайараджа Колантай, научный сотрудник кафедры комплексных адаптивных систем Калифорнийского университета в Калифорнии. материаловедения и инженерии; и Крейг Нил, постдокторский научный сотрудник департамента материаловедения и инженерии Калифорнийского университета.

Гарибай получила докторскую степень в области компьютерных наук в Калифорнийском университете и в 2020 году поступила на факультет промышленного инжиниринга и систем управления Калифорнийского университета, входящий в состав Колледжа инженерии и компьютерных наук. Ранее она в течение 16 лет работала в области информационных технологий в исследовательском управлении Калифорнийского университета.