针对人体免疫缺陷病毒的计算药物发现,采用定制的长期短期记忆变异自动编码器深度学习架构
Mucahit Kutsal1, Ferhat Ucar2, Nida Kati3
1Institute of Theoretical Physics and Astrophysics, Quantum Information Technology, University of Gdańsk, Gdańsk, Poland.
CPT: pharmacometrics & systems pharmacology
|November 27, 2023
概括
这项研究引入了一种深度学习模型,用于发现新的人类免疫缺陷病毒 (HIV) 药物. 人工智能方法成功生成了具有潜在治疗应用的新型化合物.
科学领域:
- 人工智能在药物发现中的作用
- 计算病毒学 计算病毒学
- 药用化学 医学化学
背景情况:
- 人类免疫缺陷病毒 (HIV) 仍然是一个全球卫生挑战,耐药性和缺乏有效疫苗需要新的治疗策略.
- 计算药物发现提供了一种强大的方法来识别新的抗艾滋病毒药物,补充传统方法.
研究的目的:
- 开发和应用深度学习模型,特别是长期短期记忆 (LSTM) 变异自编码器,用于计算发现新型HIV治疗方法.
- 通过使用已建立的计算模型和规则,生成潜在的候选药物,并评估其有效性和药物相似性.
主要方法:
- 使用简化分子输入线输入系统 (SMILES) 编码化合物的数据集训练LSTM变异自编码器.
- 利用训练有素的生成模型来设计针对HIV的新型分子结构.
- 使用先前存在的人工智能模型评估产生的化合物与HIV的相互作用.
- 根据利宾斯基的五项规则评估新型化合物的药物相似性.
主要成果:
- 在1377个化合物的数据集上,LSTM自编码器实现了91%的高训练精度.
- 该生成模型成功地产生了具有预测抗HIV活性的新型化合物.
- 根据利宾斯基的五项规则,生成的化合物被发现具有药物性.
结论:
- 这项研究证明了深度学习LSTM自编码器用于针对HIV的计算药物发现的有效性.
- 这种由人工智能驱动的方法为在持续的抗击艾滋病毒斗争中识别新型,类似于药物的候选人提供了一个有希望的途径.
- 该方法为加速发现新的抗艾滋病毒疗法提供了基础.
