研究人员使用可解释的深度学习预测识别新药

药物发现的一个重要方面涉及确定药物与其靶(蛋白质)分子的结合程度。通常，此步骤涉及在称为“对接”的过程中以各种配置对齐药物的 3D 结构及其靶蛋白。然后通过对特定目标分子的多种候选药物反复运行对接模拟来发现优选的结合位点。通常，由于潜在药物-靶标相互作用的潜在候选者数量众多，因此使用深度学习模型进行此类模拟。然而，使用此类模型的一个问题是难以解释其预测。虽然深度学习确实有助于快速发现药物，但它只不过是一个黑匣子。此外，

在最近发表在化学信息学杂志上的一项研究中，副教授 Hojung Nam 和她的博士学位。来自韩国光州科技学院的学生 Ingoo Lee 开发了一种新的深度学习模型，称为“目标序列亮点”(HoTS)，用于预测药物与目标分子之间的结合。新模型不仅做出了更好的预测，而且更有趣的是，它以一种可解释的方式做到了。此外，该模型无需模拟或 3D 结构即可预测药物-靶标相互作用 (DTI)。

团队是如何实现这一壮举的?Nam 教授解释了他们的药物-靶点相互作用预测模型是如何工作的：“首先，我们使用先验知识明确地教导模型蛋白质序列的哪些部分将与药物相互作用。然后利用训练后的模型来识别和预测药物和药物之间的相互作用。 “目标蛋白，提供更好的预测性能。利用这个，我们建立了一个模型，可以预测目标蛋白的结合区域及其与药物的相互作用，而无需 3D 复合物。”

该模型可以仅根据与 DTI 相互作用相关的蛋白质部分进行预测，而不是处理蛋白质序列的完整长度。“我们教会了模型‘聚焦’的地方，以确保它能够理解蛋白质的重要​​子区域，以预测其与候选药物的相互作用，”Nam 教授详细说明。这反过来又使模型能够比现有模型更准确地预测 DTI。

考虑到该模型不需要有关 3D 结构的信息并提供易于理解的预测，本研究的结果为进一步对接模拟以预测靶向治疗的新候选药物提供了一个良好的起点，从而加速了该领域的进步。“我们研究中使用的模型将使药物发现过程更加透明、低风险和低成本。这将使研究人员能够以相同的预算和时间发现更多的药物，”Nam 教授总结道。

标签：