Machine Learning Membantu Proses Penemuan Ubat Lebih Cepat


 Ubat hanya boleh berfungsi, jika melekat pada protein sasarannya di dalam badan.


Menilai bahwa keterikatan adalah rintangan utama dalam proses penemuan dan pemeriksaan ubat, penyelidikan baru yang menggabungkan kimia dan pembelajaran mesin dapat mengatasi halangan itu.


Teknik baru ini, yang disebut DeepBAR, dapat dengan cepat menghitung keterikatan antara calon ubat dan sasarannya. Pendekatan ini menghasilkan pengiraan yang tepat dalam masa yang lebih sedikit daripada kaedah sebelumnya.


Penyelidik percaya DeepBAR suatu hari dapat mempercepat langkah penemuan ubat dan teknik protein.


"Kaedah kami lebih cepat daripada sebelumnya, yang bermaksud kami dapat mencari ubat yang cekap dan boleh dipercayai," kata pengarang bersama Bin Zhang yang juga Profesor Pembangunan Kerjaya Pfizer-Laubach dalam bidang kimia di MIT. (16/3/2021) .


Pengarang utama kajian ini, yang muncul dalam Journal of Physical Chemistry Letters, adalah Xinqiang Ding, seorang penyelidik postdoc di Jabatan Kimia di MIT.

Perkaitan antara molekul ubat dan protein sasaran diukur dengan kuantiti yang disebut tenaga bebas mengikat; semakin kecil bilangannya, semakin erat ikatannya.


"Pengikatan tenaga bebas yang lebih rendah bermaksud ubat dapat bersaing lebih baik dengan molekul lain, yang bermaksud dapat mengganggu fungsi normal protein dengan lebih efektif," kata Zhang.


Mengira tenaga bebas pengikat calon ubat memberikan petunjuk keberkesanan potensi ubat. Namun, itu adalah nombor yang sukar untuk dijelaskan.


Kaedah untuk mengira tenaga bebas pengikat termasuk dalam dua kategori luas, masing-masing mempunyai kekurangannya sendiri.


Satu kategori mengira kuantiti dengan tepat, memakan banyak masa dan sumber pengiraan. Kategori kedua tidak mahal secara komputasi, tetapi hanya memberikan anggaran tenaga bebas dari pengikatan.


Dalam kes ini, Zhang dan Ding merancang pendekatan untuk mendapatkan yang terbaik dari kedua kategori.

DeepBAR mengira tenaga bebas ikatan dengan tepat, tetapi hanya memerlukan sebahagian kecil daripada pengiraan yang diperlukan oleh kaedah sebelumnya. Teknik baru ini menggabungkan pengkomputeran kimia tradisional dengan kemajuan terkini dalam Pembelajaran Mesin.


"BAR" dalam DeepBAR bermaksud "nisbah penerimaan Bennett." Ini adalah algoritma berusia puluhan tahun yang digunakan dalam pengiraan untuk mengikat tenaga bebas.


Menggunakan nisbah ini biasanya memerlukan pengetahuan mengenai dua keadaan "titik akhir" (contohnya, molekul ubat yang terikat pada protein dan molekul ubat yang sepenuhnya terpisah dari protein), ditambah pengetahuan mengenai banyak keadaan perantaraan (contohnya, tahap pengikatan separa yang berlainan) . Semua itu secara tidak langsung melambatkan kelajuan pengiraan.


DeepBAR memotong halangan ini dengan menerapkan nisbah ini dalam kerangka Pembelajaran Mesin yang disebut model Deep Generative.


"Model ini membuat status rujukan untuk setiap titik akhir, status terikat, dan status tidak terikat," kata Zhang.


Kedua-dua keadaan agak serupa, jadi nisbah penerimaan Bennett dapat digunakan dengan segera tanpa semua langkah pertengahan yang mahal.


Dalam menggunakan model ini, para penyelidik juga mengadaptasi teknik Computer Vision.


"Pada dasarnya model yang sama digunakan orang untuk melakukan sintesis Computer Vision," kata Zhang. "Kami semacam memperlakukan setiap struktur molekul sebagai gambar, yang dapat dipelajari oleh model. Jadi, projek ini berdasarkan usaha komuniti Pembelajaran Mesin."


Walaupun menyesuaikan pendekatan penglihatan komputer ke kimia adalah inovasi utama DeepBAR, ia juga menimbulkan beberapa cabaran.


"Model ini pada mulanya dikembangkan untuk gambar 2D. Tetapi di sini kita mempunyai protein dan molekul - ini benar-benar struktur 3D. Oleh itu, menyesuaikan kaedah dalam kes kita adalah cabaran teknikal terbesar yang harus kita atasi," kata Ding.


Dalam ujian menggunakan molekul seperti protein kecil, DeepBAR mengira tenaga bebas mengikat hampir 50 kali lebih cepat daripada kaedah sebelumnya.


"Kami benar-benar dapat mulai memikirkan untuk menggunakannya untuk menyaring ubat, terutama dalam konteks Covid. DeepBAR memiliki ketepatan yang sama persis dengan standard emas, tetapi jauh lebih cepat," kata Zhang.


Para penyelidik menambah bahawa selain pemeriksaan ubat, DeepBAR dapat membantu reka bentuk dan kejuruteraan protein kerana kaedah ini dapat digunakan untuk memodelkan interaksi antara protein.

Machine Learning Membantu Proses Penemuan Ubat Lebih Cepat Machine Learning Membantu Proses Penemuan Ubat Lebih Cepat Reviewed by thecekodok on 5:21:00 AM Rating: 5
Powered by Blogger.