DeepBAR : 단백질에 대한 약물 분자의 결합 친화도를 빠르게 계산하는 새로운 기술

의약품은 표적 단백질에 달라 붙어 서로 달라 붙습니다. 어려운 작업은 접착 정도를 평가하는 것입니다.

DeepBAR라는 신기술 덕분에 과학자들은 후보 약물과 표적 간의 상관 관계를 신속하게 계산할 수 있습니다. MIT 과학자들은 화학과 기계 학습을 결합하여 접근 방식을 개발합니다.

DeepBAR는 짧은 시간 내에 정확한 계산을 제공합니다. 과학자들에 따르면 언젠가는 신약 발견과 단백질 공학의 속도를 가속화 할 수 있다고합니다.

화이자-루 바흐의 매사추세츠 공과 대학의 화학 경력 개발 교수 인 Bin Zhang은 다음과 같이 말했습니다. “약물 분자와 표적 단백질 사이의 친화력은 자유 에너지 결합이라는 양으로 측정됩니다. 숫자가 낮을수록 결합의 점성이 더 높습니다. 결합 자유 에너지가 낮을수록 약물이 다른 분자와 더 잘 경쟁 할 수 있습니다. 단백질의 정상적인 기능을보다 효과적으로 방해 할 수 있습니다. 후보 약물의 자유 결합 에너지를 계산하면 약물의 잠재적 효능을 알 수 있지만 정량화하기는 어렵습니다.

DeepBAR는 바운드 자유 에너지를 정확하게 계산하지만 이전 방법이 필요로하는 계산의 일부만 필요합니다. DeepBar의 “BAR”는 Bennett Acceptance Ratio의 약자입니다. Bennett 합격률은 결합 자유 에너지를 계산하는 데 사용되는 고대 알고리즘입니다. Bennet Acceptance Ratio를 사용하려면 일반적으로 “종말점”의 두 가지 상태 (예 : 단백질에 결합 된 약물 분자와 단백질에서 완전히 분리 된 약물 분자)에 대한 지식과 여러 중간 조건 (예 : 다른 부분 바인딩 수준), 각각 계산 속도를 방해합니다.

장은 말했다, DeepBAR는 심층 생성 모델이라고하는 머신 러닝 프레임 워크에 Bennett Acceptance Ratio를 게시하여 상태 간 상태를 차단합니다. 이러한 모델은 각 끝점, 바운드 상태 및 언 바운드 상태에 대한 참조 상태를 생성합니다.이 두 참조 상태는 Bennett Acceptance Ratio가 충분히 유사 할만큼 유사합니다. 비용이 많이 드는 중간 단계없이 직접 사용할 수 있습니다. “

매사추세츠 공과 대학 화학과의 박사후 연구원 인 Shenqiang Ding은 다음과 같이 말했습니다. “컴퓨터 비전 접근 방식을 화학에 적용하는 것이 DeepBAR의 DeepBAR의 주요 혁신 이었지만 교차 성도 몇 가지 문제를 제기했습니다. 이러한 모델은 원래 2D 이미지 용으로 개발되었습니다. 그러나 여기에는 단백질과 분자가 있습니다. 3D 구조입니다. 따라서 그것은 조건화였습니다. 이 방법은 우리의 경우 극복해야 할 가장 큰 기술적 과제입니다. “

작은 단백질 같은 입자로 테스트하는 동안 과학자들은 DeepBAR이 이전 방법보다 50 배 빠르며 금 표준과 동일한 정확도를 갖지만 훨씬 빠르다는 것을 발견했습니다.

장은 말했다, 이러한 효율성으로 우리는 특히 Covid의 맥락에서 약물 스크리닝에 이것을 사용하는 것에 대해 생각할 수 있습니다. 약물 스크리닝 외에도 DeepBAR는 여러 단백질 간의 상호 작용을 모델링하는 데 사용할 수있는 방법으로 단백질 설계 및 엔지니어링을 지원할 수 있습니다. “

앞으로 연구자들은 최근 컴퓨터 과학의 발전으로 가능해진 큰 단백질에 대한 수학적 연산을 수행하는 DeepBAR의 DeepBAR의 능력을 향상시킬 계획입니다.

이 연구는 오늘 Journal of Physical Chemistry Letters에 실 렸습니다.