基于深度学习的药物发现算法,以开发用于治疗肺癌的药物为例
Dmitrii K Chebanov1, Vsevolod A Misyurin1, Irina Zh Shubina2
1Department of Molecular Biology of Cancer, BioAlg Corp., Covina, CA, United States.
Frontiers in bioinformatics
|November 29, 2023
概括
这项研究引入了一个AI平台,用于发现新的抗癌药物,重点关注肺癌. 它识别潜在的药物标,设计新的小分子抑制剂,加速向癌症治疗的开发.
科学领域:
- 计算生物学 计算生物学
- 药物发现 药物发现 药物发现
- 在瘤学瘤学.
背景情况:
- 肺癌对全球健康构成重大挑战,需要新的治疗策略.
- 目前的药物发现管道往往是漫长而昂贵的,需要创新的方法.
- 精准医学旨在根据个体患者的分子形状量身定制治疗方法.
研究的目的:
- 开发和验证用于发现新型小分子抗瘤剂的算法框架.
- 具体应用该框架来确定针对肺癌的潜在治疗方法.
- 加速针对癌症化合物的识别和设计过程.
主要方法:
- 利用深度学习和生成对抗网络 (GAN) 来分析基因表达数据并确定与肺癌预后不佳相关的治疗点.
- 开发了一个模块,用于预测蛋白质抑制剂相互作用,使用氨基酸序列和化学化合物的矢量表示.
- 实施了深度学习模型来预测半最大抑制度 (IC50) 值,并进行了虚拟临床前试验.
主要成果:
- 确定了一组与不利的肺癌预后相关的基因子集.
- 成功预测了小分子和特定蛋白质标之间的相互作用.
- 衍生出几种小分子配方,预测可选择性地结合到标蛋白.
- 验证了算法平台在加速抗瘤化合物发现方面的潜力.
结论:
- 开发的算法框架和软件平台有效地帮助发现新的小分子抗瘤剂.
- 这种方法在推进向性肺癌治疗方面显著有前途.
- 该平台有可能简化和加快新癌症治疗方法的开发.
