Neues maschinelles Lernmodell sagt voraus, wie Nanopartikel mit Proteinen interagieren

Angesichts der Zunahme antibiotikaresistenter Infektionen und eines sich ständig verändernden Pandemievirus ist es leicht zu verstehen, warum Forscher in der Lage sein wollen, künstliche Nanopartikel zu entwickeln, die diese Infektionen abschalten können.

Ein neues maschinelles Lernmodell, das Wechselwirkungen zwischen Nanopartikeln und Proteinen vorhersagt, das an der University of Michigan entwickelt wurde, bringt uns dieser Realität einen Schritt näher.

„Wir haben Nanopartikel neu konzipiert, damit sie mehr sind als nur Vehikel zur Arzneimittelabgabe. Wir betrachten sie als aktive Medikamente an und für sich“, sagte J. Scott VanEpps, Assistenzprofessor für Notfallmedizin und Autor der Studie in Naturinformatik.

Die Entdeckung von Medikamenten ist ein langsamer und unvorhersehbarer Prozess, weshalb so viele Antibiotika Variationen eines früheren Medikaments sind. Arzneimittelentwickler würden gerne Medikamente entwickeln, die Bakterien und Viren auf eine von ihnen gewählte Weise angreifen können, indem sie sich die „Schloss-und-Schlüssel“-Mechanismen zunutze machen, die die Wechselwirkungen zwischen biologischen Molekülen dominieren. Es war jedoch unklar, wie der Übergang von der abstrakten Idee, Nanopartikel zur Verhinderung von Infektionen einzusetzen, zur praktischen Umsetzung des Konzepts führen sollte.

„Durch die Anwendung mathematischer Methoden auf Protein-Protein-Wechselwirkungen haben wir das Design von Nanopartikeln optimiert, die eines der Proteine ​​in diesen Paaren nachahmen“, sagte Nicholas Kotov, Irving Langmuir Distinguished University Professor of Chemical Sciences and Engineering und korrespondierender Autor der Studie .

„Nanopartikel sind stabiler als Biomoleküle und können zu völlig neuen Klassen antibakterieller und antiviraler Wirkstoffe führen.“

Der neue maschinelle Lernalgorithmus vergleicht Nanopartikel mit Proteinen und verwendet dabei drei verschiedene Arten, sie zu beschreiben. Während es sich bei der ersten um eine herkömmliche chemische Beschreibung handelte, erwiesen sich die beiden, die die Struktur betrafen, als am wichtigsten, um Vorhersagen darüber zu treffen, ob ein Nanopartikel mit einem bestimmten Protein eins zu eins passen würde.

Zusammenfassend erfassten diese beiden Strukturbeschreibungen die komplexe Oberfläche des Proteins und wie es sich selbst rekonfigurieren könnte, um Schlüssel-Schloss-Passungen zu ermöglichen. Dazu gehören Taschen, in die ein Nanopartikel passen könnte, sowie die Größe, die ein solches Nanopartikel haben müsste. Die Beschreibungen enthielten auch Chiralität, eine Drehung im oder gegen den Uhrzeigersinn, die wichtig ist, um vorherzusagen, wie ein Protein und ein Nanopartikel einrasten.

„Es gibt viele Proteine ​​außerhalb und innerhalb von Bakterien, die wir angreifen können. Wir können dieses Modell als erstes Screening verwenden, um herauszufinden, welche Nanopartikel an welche Proteine ​​​​binden“, sagte Emine Sumeyra Turali Emre, Postdoktorandin in Chemieingenieurwesen und Co-First Autor des Papiers, zusammen mit Minjeong Cha, einem Ph.D. Studentin der Materialwissenschaft und Werkstofftechnik.

Emre und Cha erklärten, dass Forscher Übereinstimmungen, die von ihrem Algorithmus identifiziert wurden, mit detaillierteren Simulationen und Experimenten nachverfolgen könnten. Eine solche Kombination könnte die Ausbreitung von MRSA, einem weit verbreiteten antibiotikaresistenten Stamm, stoppen, indem Zinkoxid-Nanopyramiden verwendet werden, die metabolische Enzyme in den Bakterien blockieren.

„Maschinelle Lernalgorithmen wie der unsere werden ein Designwerkzeug für Nanopartikel bereitstellen, das in vielen biologischen Prozessen verwendet werden kann. Die Hemmung des Virus, das COVID-19 verursacht, ist ein gutes Beispiel“, sagte Cha. „Wir können diesen Algorithmus verwenden, um effizient Nanopartikel zu entwerfen, die eine antivirale Breitbandaktivität gegen alle Varianten haben.“

Dieser Durchbruch wurde durch die Blue Sky Initiative am UM College of Engineering ermöglicht, die das interdisziplinäre Team bei der grundlegenden Erforschung der Frage unterstützte, ob ein Ansatz des maschinellen Lernens effektiv sein könnte, wenn Daten zur biologischen Aktivität von Nanopartikeln so spärlich sind.

„Der Kern der Blue-Sky-Idee ist genau das, was diese Arbeit abdeckt: Einen Weg finden, Proteine ​​und Nanopartikel in einem einheitlichen Ansatz darzustellen, um neue Klassen von Medikamenten zu verstehen und zu entwickeln, die mehrere Wirkungsweisen gegen Bakterien haben“, sagte Angela Violi, an Arthur F. Thurnau Professor, Professor für Maschinenbau und Leiter des Nanobiotik-Blue-Sky-Projekts.

Mitarbeiter der University of California, Los Angeles, trugen ebenfalls zum maschinellen Lernalgorithmus bei.