Embedded Files
İçerik Yazarı: Dalya Simay Erbay
Editör: Dalya Simay Erbay
Tasarım: Sudenaz Şencan
Sanal taramayı artırmak için makine öğreniminin kullanılması, 1,56 milyar ilaca benzer bileşiğin işlenmesinde 10 kat zaman azalmasıyla sonuçlandı. Doğu Finlandiya Üniversitesi, dünyanın en büyük sanal uyuşturucu taramalarından birini gerçekleştirmek için endüstri ve süper bilgisayarlarla iş birliği yaptı.
Farmakolojik bir hedefi engelleyebilecek bileşikleri ortaya çıkarmak için araştırmacılar sıklıkla büyük kimyasal kitaplıkların hızlı bilgisayar destekli taramasına güvenirler. Böyle bir hedef, bir bakterinin ilaçlara direnç göstermesine veya bir virüsün konakçıya bulaşmasına izin veren bir enzim olabilir. Bu küçük organik moleküllerin bir araya gelmesinin boyutu son yıllarda önemli ölçüde arttı. Kütüphaneler, onları analiz etmek için gereken bilgisayarlardan daha hızlı genişlediğinden, mevcut milyarlarca ölçekli bir kimyasal kütüphanenin tek bir terapötik hedefe göre taranması, en son teknolojiye sahip süper bilgisayarlar kullanıldığında bile aylar veya yıllar sürebilir. Sonuç olarak, daha hızlı tekniklere şiddetle ihtiyaç duyulduğu açıktır.
Araştırmacılar, taramayı hızlandırmak için yapay zekayı kullanmadan önce ilk olarak bir temel belirlediler: Yaklaşık altı ay boyunca, 1,56 milyar ilaç benzeri bileşik, süper bilgisayarlar Mahti ve Puhti'nin yanı sıra moleküler kenetleme kullanılarak farmakolojik açıdan ilgili iki hedefe karşı test edildi. Yerleştirme, küçük molekülleri hedefin bağlanma alanına yerleştiren ve bunların ne kadar iyi uyduğunu açıklamak için bir "yerleştirme puanı" hesaplayan bir bilgisayar yaklaşımıdır. Yerleştirme puanları 1,56 milyar molekülün tümü için bu şekilde hesaplandı.
Bulgular daha sonra, çalışmanın ortak yazarlarından biri olan Orion Pharma'dan Dr. TuomoKalliokoski tarafından oluşturulan bir teknik olan HASTEN'i kullanan makine öğrenimi destekli bir ekranla karşılaştırıldı. "HASTEN, moleküllerin özelliklerini ve bu özelliklerin bileşiklerin puanını nasıl etkilediğini öğrenmek için makine öğrenimini kullanıyor." Kalliokoski'ye göre, geleneksel yerleştirmeden yeterli sayıda örnek verildiğinde, makine öğrenimi modeli, kütüphanedeki ek bileşiklerin yerleştirme puanlarını kaba kuvvet yerleştirme stratejisinden önemli ölçüde daha hızlı tahmin edebilir.
Aslında, tüm kütüphanenin yalnızca %1'inin yerleştirildiği ve eğitim verileri olarak kullanıldığı program, en yüksek puana sahip bileşiklerin %90'ını on günden kısa bir sürede başarıyla belirledi.
Çoğu durumda, karşılaştırılabilir ölçekli çalışmalar hala zordur. Sonuç olarak, yazarlar çalışmanın bir parçası olarak oluşturulan iki büyük veri setini kamunun erişimine sundular: diğerlerinin kendi tarama çabalarını hızlandırmasına olanak tanıyan kullanıma hazır yerleştirme tarama kütüphaneleri ve 1,56 milyar bileşik yerleştirmenin tamamı karşılaştırma verileri olarak iki hedef için sonuçlar. Bu veriler, zamandan ve paradan tasarruf etmek için gelecekteki teknolojilerin yaratılmasını teşvik edecek ve sonuçta hesaplamalı ilaç keşfi alanını geliştirecektir.
Referanslar
Ferreira, L. G.; Dos Santos, R. N.; Oliva, G.; Andricopulo, A. D. Molecular Docking and Structure-Based Drug Design Strategies. Molecules 2015, 20, 13384– 13421, DOI: 10.3390/molecules200713384
Lyu, J.; Wang, S.; Balius, T. E.; Singh, I.; Levit, A.; Moroz, Y. S.; O’Meara, M. J.; Che, T.; Algaa, E.; Tolmachova, K.; Tolmachev, A. A.; Shoichet, B. K.; Roth, B. L.; Irwin, J. J. Ultra-large library docking for discovering new chemotypes. Nature 2019, 566, 224– 229, DOI: 10.1038/s41586-019-0917-9
Stein, R. M.; Kang, H. J.; McCorvy, J. D.; Glatfelter, G. C.; Jones, A. J.; Che, T.; Slocum, S.; Huang, X. P.; Savych, O.; Moroz, Y. S.; Stauch, B.; Johansson, L. C.; Cherezov, V.; Kenakin, T.; Irwin, J. J.; Shoichet, B. K.; Roth, B. L.; Dubocovich, M. L. Virtual discovery of melatonin receptor ligands to modulate circadian rhythms. Nature 2020, 579, 609– 614, DOI: 10.1038/s41586-020-2027-0
Google Sites
Report abuse