Глубокое обучение и 3D-технологии для улучшения моделирования структур и создания более эффективных лекарств

Белки часто называют рабочими молекулами человеческого организма. В типичном теле более 20 000 различных типов белков, каждый из которых участвует во многих функциях, необходимых для жизни.

Исследователи из Университета Пердью разработали новый подход с использованием глубокого обучения для лучшего понимания того, как белки взаимодействуют в организме. Это открывает путь к созданию точных моделей структур белковых взаимодействий, вовлечённых в различные заболевания, и к разработке более эффективных лекарств, нацеленных именно на эти взаимодействия. Работа опубликована в журнале Bioinformatics.

"Чтобы понять молекулярные механизмы функций белковых комплексов, биологи используют экспериментальные методы, такие как рентгеновские лучи и микроскопы, но это трудоёмкие и ресурсоёмкие усилия", — говорит Дайсуке Кихара, профессор биологических наук и компьютерных наук, возглавляющий исследовательскую группу. "Биоинформатики в нашей лаборатории и других институтах разрабатывают вычислительные методы для моделирования белковых комплексов. Одна из больших проблем заключается в том, что вычислительный метод обычно генерирует тысячи моделей, и выбор правильной или ранжирование моделей может быть затруднительным".

Кихара и его команда разработали систему DOVE (DOcking decoy selection with Voxel-based deep neural nEtwork), которая применяет принципы глубокого обучения к виртуальным моделям белковых взаимодействий. DOVE сканирует область взаимодействия белок-белок в модели, а затем использует принципы модели глубокого обучения для различения и захвата структурных особенностей правильных и неправильных моделей.

"Наша работа представляет собой значительный прогресс в области биоинформатики", — сказал Сяо Ван, аспирант и член исследовательской группы. "Возможно, это первый случай, когда исследователи успешно использовали глубокое обучение и 3D-признаки для быстрого понимания эффективности определённых белковых моделей. Затем эту информацию можно использовать при создании целевых лекарств для блокирования определённых белковых взаимодействий".