Forscher bauen leistungsstarkes Modell zur Entdeckung neuer Medikamente

Forscher haben ein neues Computer-Framework entwickelt, das für die Entdeckung neuer Medikamente vielversprechend ist. Ihr Framework verwendet eine Methode der künstlichen Intelligenz, die als Convolutional Neural Network bezeichnet wird, um globale Informationen über potenzielle neuartige Arzneimittelkandidaten bereitzustellen.

Das Forschungsteam der Universität Wuhan veröffentlichte seine Ergebnisse in der Zeitschrift Big Data Mining und Analytik am 24. November 2022.

Das Team entwickelte ein Fingerabdruck-Embedding-Framework für die Vorhersage der Wirkstoff-Ziel-Bindungsaffinität (FingerDTA) mit der Fähigkeit, neuartige Wirkstoffkandidaten zu finden. Die Fingerabdrücke (Deskriptoren) von Arzneimittel und Zielen werden berechnet. Diese Targets sind Moleküle, die in irgendeiner Weise mit der Krankheit in Verbindung stehen – Targets können bei der Art und Weise nützlich sein, wie Medikamente zur Bekämpfung einer bestimmten Krankheit eingesetzt werden.

Dann nutzte das Team die allgemeinen Informationen aus dem Fingerabdruck eines Medikaments oder eines Ziels in einem Faltungsmodell eines neuralen Netzwerks und förderte seine Leistung bei der Vorhersage der Bindungsaffinität zwischen Medikament und Ziel. FingerDTA ist ein leistungsstarkes Modell zur Entdeckung neuer Medikamente.

Die traditionelle In-vivo-Arzneimittelforschung, bei der Forscher mit lebenden Probanden arbeiten, um neue Medikamente zur Bekämpfung von Krankheiten zu finden, ist ein kostspieliger und zeitaufwändiger Prozess. Forscher können ein virtuelles Vorscreening potenzieller Medikamente nutzen, um ihre Experimente zu steuern. Dieser virtuelle Prozess kann Kosten senken und die Erfolgsrate bei der Entdeckung des richtigen Medikaments verbessern.

Forscher haben weithin zwei virtuelle Screening-Methoden für die Arzneimittelentdeckung eingesetzt. Eine Methode ist das Hochdurchsatz-Screening, bei dem große Substanzbibliotheken in kurzer Zeit getestet werden. Eine andere Methode umfasst Strategien, die auf simuliertem molekularem Docking basieren, bei dem sie untersuchen, wie zwei oder mehr molekulare Strukturen zusammenpassen, und vorhersagen, wie ein Protein mit kleinen Molekülen interagiert.

Obwohl diese beiden Methoden erfolgreich in der Wirkstoffforschung eingesetzt wurden, erfordern sie ein tiefgreifendes experimentelles Design und eine Überprüfung, was sie für ein Wirkstoffscreening im gigantischen Maßstab ungeeignet macht.

Eine dritte Methode verwendet Modelle zur Vorhersage der Wirkstoff-Ziel-Affinität, bei denen Wissenschaftler nach einer starken Anziehungskraft zwischen dem Wirkstoff und dem Ziel suchen, um Wirkstoffe zu identifizieren, die Kandidaten für die Behandlung einer Krankheit sein könnten. Dieses dritte Verfahren hat große Vorteile sowohl in der Effizienz als auch in den Kosten. Wissenschaftlern ist es gelungen, tiefe neuronale Netze erfolgreich anzuwenden, um die Affinität der Wirkstoff-Target-Bindung vorherzusagen. Daher konzentrierte das Forschungsteam der Universität Wuhan seine Arbeit auf ein Deep-Learning-Modell zur Vorhersage der Bindungsaffinität von Wirkstoffen.

Skalierbarkeit ist ein großes Problem, wenn komplexe Algorithmen verwendet werden, um einen großen Datensatz in Terabyte oder mehr in einem Cluster oder einer Cloud zu analysieren. Das weit verbreitete Programmiermodell vom Typ MapReduce wird häufig verwendet, um große Datenmengen auf Hunderten oder Tausenden von Servern zu verarbeiten. MapReduce ist jedoch aufgrund seiner Speicherabhängigkeit und hohen Kommunikationskosten nicht auf Big Data skalierbar. Das Forschungsteam hat ein Nicht-MapReduce-Computing-Framework vorgeschlagen, um die Skalierbarkeit von Cluster-Computing auf Big Data zu verbessern. Ihr Framework reduziert die Kosten für die Datenübertragung und ermöglicht ungefähre Berechnungen, die weniger vom Speicher abhängig sind.

„Dieses neue Computing-Framework generiert auch einige Vorteile beim Big-Data-Computing, wie z. B. das schnelle Abtasten mehrerer Zufallsstichproben für Ensemble-Maschinenlernen und Näherungsrechnen, das direkte Ausführen serieller Algorithmen auf lokalen Zufallsstichproben ohne Datenkommunikation zwischen den Knoten und das Erleichtern der Big-Data-Exploration und Bereinigung. Außerdem vereinfacht das Nicht-MapReduce-Computing das Big-Data-Computing und kann beim Cloud-Computing Energie sparen“, sagte Juan Liu, Professor an der School of Computer Science der Wuhan University.

Das Forschungsteam ist der Ansicht, dass die Vorhersage der Bindungsaffinität zwischen Wirkstoff und Ziel vielversprechend für die Entdeckung neuer Medikamente ist, die Viren daran hindern können, sich an ihre Ziele anzuheften. „Das FingerDTA kann helfen, einige potenzielle Medikamente zur Deaktivierung von COVID-19 zu entdecken, indem es an das Spike-Ziel bindet“, sagte Liu. Es kann präzise Anleitungen zur Einsparung erheblicher Arbeitskräfte und materieller Ressourcen geben und gleichzeitig die Erforschung neuer Arzneimittel beschleunigen.

Mit Blick auf die Zukunft hofft das Team, das FingerDTA-Framework in Big-Data-Plattformen zu implementieren und in reale Anwendungen zu bringen. „Unser ultimatives Ziel ist es, solche Technologien und Systeme für Benutzer zu entwickeln, um die Anwendungsprobleme der Analyse extrem großer Datenmengen anzugehen, die in mehreren Rechenzentren verteilt sind“, sagte Juan Liu.