_ Cercetătorii construiesc un model puternic pentru descoperirea medicamente noi

Cercetătorii au dezvoltat un nou cadru computerizat care este promițător în activitatea de descoperire a medicamentelor noi. Cadrul lor folosește o metodă de inteligență artificială numită rețea neuronală convoluțională pentru a oferi informații globale despre potențialii candidați noi la medicamente.

Echipa de cercetare a Universității Wuhan și-a publicat concluziile în jurnalul Big Data Mining and Analytics pe 24 noiembrie 2022. .

Echipa a dezvoltat un cadru de încorporare a amprentelor digitale pentru predicția afinității de legare a țintei medicamentului (FingerDTA), cu capacitatea de a găsi noi candidați la medicamente. Sunt calculate amprentele (descriptorii) drogurilor și țintelor. Aceste ținte sunt molecule care sunt legate într-un fel de boală — țintele pot fi utile în modul în care medicamentele sunt folosite pentru a lupta împotriva unei anumite boli.

Apoi, echipa a folosit informațiile generale din amprenta unui medicament. sau o țintă într-un model de rețea neuronală convoluțională și a promovat performanța sa în prezicerea afinității de legare a țintei medicamentului. FingerDTA este un model puternic pentru descoperirea de noi medicamente.

Descoperirea tradițională in vivo a medicamentelor, în care cercetătorii lucrează cu subiecți vii pentru a găsi noi medicamente pentru combaterea bolilor, este un proces costisitor, care necesită timp. Cercetătorii pot folosi pre-screening virtuale a potențialelor medicamente pentru a-și ghida experimentele. Acest proces virtual poate reduce costurile și poate îmbunătăți rata de succes în descoperirea medicamentului potrivit.

Cercetătorii au folosit pe scară largă două metode virtuale de screening pentru descoperirea medicamentelor. O metodă este screening-ul cu randament ridicat, în care biblioteci mari de compuși sunt testate într-o perioadă scurtă de timp. O altă metodă implică strategii bazate pe andocare moleculară simulată, în care se studiază modul în care două sau mai multe structuri moleculare se potrivesc împreună, prezicând modul în care o proteină interacționează cu molecule mici.

Deși aceste două metode au fost utilizate cu succes în descoperirea medicamentelor, necesită un proiect experimental și o verificare aprofundată, ceea ce le face inadecvate pentru screening-ul de droguri la scară gigantică.

O a treia metodă utilizează modele de predicție a afinității țintă pentru droguri, în care oamenii de știință caută o atracție puternică între medicament și țintă ca mijloc de identificare a medicamentelor care ar putea fi candidate pentru tratarea unei boli. Această a treia metodă are mari avantaje atât în ​​ceea ce privește eficiența, cât și costurile. Oamenii de știință au reușit să aplice cu succes rețele neuronale profunde pentru a prezice afinitatea de legare a țintei medicamentului. Prin urmare, echipa de cercetare de la Universitatea Wuhan și-a concentrat munca pe un model de învățare profundă pentru predicția afinității de legare a țintei medicamentului.

Scalabilitatea este o problemă majoră atunci când algoritmi complecși sunt utilizați pentru a analiza un set de date mari în terabyte sau mai mult. pe un cluster sau nor. Modelul de programare de tip MapReduce utilizat pe scară largă este adesea folosit pentru a procesa cantități mari de date pe sute sau mii de servere. Dar MapReduce nu este scalabil la date mari din cauza dependenței de memorie și a costurilor mari de comunicare. Echipa de cercetare a propus un cadru de calcul non-MapReduce pentru a îmbunătăți scalabilitatea calculului cluster pe date mari. Cadrul lor reduce costul de comunicare a datelor și permite calculul aproximativ, care este mai puțin dependent de memorie.

„Acest nou cadru de calcul generează, de asemenea, câteva beneficii în calculul de date mari, cum ar fi eșantionarea rapidă a mai multor eșantioane aleatorii pentru ansamblu. învățarea automată și calculul aproximativ, executând direct algoritmi seriali pe eșantioane aleatoare locale, fără comunicații de date între noduri și facilitând explorarea și curățarea datelor mari. În plus, calculul non-MapReduce simplifică calculul datelor mari și poate economisi energie în cloud computing", a spus Juan. Liu, profesor la Școala de Informatică de la Universitatea Wuhan.

Echipa de cercetare consideră că predicția afinității de legare a țintei medicamentului este promițătoare în descoperirea de noi medicamente care pot inhiba atașarea virușilor la țintele lor. „FigerDTA poate ajuta la descoperirea unor potențiale medicamente pentru dezactivarea COVID-19 prin legarea de ținta de vârf”, a spus Liu. Acesta poate oferi îndrumări precise pentru a economisi resurse substanțiale de forță de muncă și materiale, în același timp accelerând cercetarea noilor medicamente.

Privind în viitor, echipa speră să implementeze cadrul FingerDTA în platforme de date mari și să îl pună în aplicații reale. „Scopul nostru final este să dezvoltăm astfel de tehnologii și sisteme pentru ca utilizatorii să abordeze problemele aplicațiilor de analiză a datelor extrem de mari distribuite în mai multe centre de date”, a spus Juan Liu.

(Fluierul)