Zespół naukowców pod kierownictwem Yuxina Yanga i współpracowników opracował innowacyjną strukturę głębokiego uczenia się o nazwie LISA-*****I, która łączy obrazowanie molekularne i reprezentacje strukturalne białek w celu identyfikacji potencjalnych kandydatów na leki do leczenia bólu.
Przewlekły ból jest głównym globalnym problemem zdrowotnym, a tradycyjne opcje leczenia bólu, takie jak opioidy, wiążą się z poważnymi skutkami ubocznymi, takimi jak uzależnienie. Aby sprostać temu wyzwaniu, Yang i in. wprowadzili nowatorską metodę wykorzystującą sztuczną inteligencję (AI) w celu przyspieszenia odkrywania nieopioidowych środków przeciwbólowych, ukierunkowanych na określone receptory sprzężone z białkiem G (GPCR) zaangażowane w szlaki sygnałowe bólu.
LISA-*****I jest wyjątkowa, ponieważ integruje obrazy molekularne związków podobnych do leków i trójwymiarowe reprezentacje strukturalne białek z zaawansowanego algorytmu AlphaFold2's Evoformer. Takie podejście pozwala na bardzo dokładne przewidywanie interakcji związek-białko (*****I), przy czym model został wytrenowany na ponad 10 milionach nieznakowanych cząsteczek i oceniony na 104 969 ligandach oddziałujących z 33 GPCR związanymi z bólem. W porównaniu z istniejącymi modelami, LISA-*****I wykazał znaczną poprawę dokładności predykcyjnej o 20%, podkreślając jego potencjał do zrewolucjonizowania dziedziny obliczeniowego odkrywania leków.
Jednym z głównych przełomów tego badania jest zdolność LISA-*****I do identyfikowania leków, które można ponownie wykorzystać, co oznacza leki, które zostały pierwotnie opracowane dla innych schorzeń, ale mogą być również skuteczne w leczeniu bólu. Wśród zidentyfikowanych związków znalazły się metyloergometryna i metabolity jelitowe, takie jak cytykolina, które wykazały obiecujące interakcje z GPCR związanymi z bólem. Odkrycia te otwierają nowe drogi dla terapii bólu, szczególnie skupiając się na celach nieopioidowych, co może znacznie zmniejszyć ryzyko uzależnienia i innych niepożądanych skutków związanych z obecnymi lekami przeciwbólowymi.
Model głębokiego uczenia został rygorystycznie przetestowany na szerokim zakresie danych z baz danych ChEMBL i GLASS i konsekwentnie przewyższał inne metody uczenia maszynowego, takie jak ImageMol i CHEM-BERT. Najwyższa dokładność LISA-*****I wynika z podwójnego skupienia się na świadomości chemicznej poprzez obrazowanie ligandów i szczegółowym zrozumieniu struktury białek poprzez trójwymiarowe reprezentacje par reszt białkowych. To połączenie sprawia, że jest to potężne narzędzie do badania interakcji lek-białko, które mają kluczowe znaczenie w percepcji bólu i innych złożonych chorobach.
Oprócz zmiany przeznaczenia leków, LISA-*****I zbadała również potencjał metabolitów pochodzących z mikrobioty jelitowej w leczeniu bólu. Zdrowie jelit jest coraz częściej wiązane z różnymi chorobami przewlekłymi, w tym z bólem. Korzystając z LISA-*****I, zespół odkrył, że niektóre metabolity, takie jak cytykolina i NAD, wytwarzane przez bakterie jelitowe, takie jak Bacteroides, mogą mieć potencjał te*****utyczny w modulowaniu bólu poprzez celowanie w GPCR. Ten wgląd dodaje nową warstwę złożoności do leczenia bólu, sugerując, że manipulowanie mikrobiomem jelitowym może stać się nowym podejściem do leczenia bólu.
Badanie to stanowi znaczący postęp w odkrywaniu leków opartych na sztucznej inteligencji, szczególnie w odniesieniu do ich zastosowania w leczeniu bólu. Zastosowanie zaawansowanych modeli, takich jak LISA-*****I, nie tylko poprawia dokładność prognoz, ale także przyspiesza proces identyfikacji nowych opcji te*****utycznych, czyniąc go cennym zasobem w poszukiwaniu skuteczniejszych i bezpieczniejszych metod łagodzenia bólu. Pełne badanie, w tym wszystkie dane i prognozy, jest dostępne w czasopiśmie *Cell Reports Methods* i można uzyskać do niego dostęp online za pośrednictwem poniższego linku (clearnet).
Jeśli jesteś zainteresowany takimi publikacjami, zareaguj i zostaw komentarz. Będzie to dla mnie znak, by kontynuować.