AI預測新蛋白質分子的結構，將藥物研發效率提升至1200倍

7月14日消息，據外媒Tech Xplore報道，麻省理工學院的研究人員最近開發了一種叫做EquBind的新模型，這個模型可以提前預測新蛋白質分子的結構，提升藥物開發的效率。

目前這項技術已經得到了業界內的認可，闡述這項技術的論文也將在7月被國際機器學習會議（ICML）會議接收。

01、盲對接：提前預測最合適的‘鎖眼’

傳統的分子計算對接模型通過“配體與蛋白質結合”的方法來尋找類藥物分子。

具體而言，模型先接收大量樣本分子，與配體進行逐一結合；再對不同的分子進行評分，最后篩選出最合適的分子。

這種方法不僅麻煩，而且在尋找藥物樣分子方面效率較低。

Hannes St?rk對EquBind的工作做了生動比喻：之前典型的‘配體-蛋白質’方法，就像試圖讓模型將鑰匙插入一個有許多鎖孔的鎖中，需要花大量時間對鑰匙和每個鎖孔的配合度打分，然后選擇最合適的那個。

而EquBind可以跳過最耗時的步驟，遇到新分子時可提前預測最合適的‘鎖眼’，這就是所謂的‘盲對接’。其內置的幾何推理算法，可幫助模型學習分子的基本結構。

該算法允許EquBind在遇到新分子時直接預測最合適的位置，而不是花費大量時間嘗試不同的位置并對其進行評分。

02、具體的研究過程如何？

受Ganea團隊的啟發，MIT的研究人員利用圖匹配網絡（GMN）和 E(3)-等變圖神經網絡來直接預測配體-受體復合物結構，節省了之前需大量采樣的時間。

加上3D結構數據的稀缺性（例如，PDBbind數據庫中約僅有19K的實驗復合體公開可用），因此將正確的物理、化學或生物偏差情況納入DL模型十分重要。

為實現這一目標，團隊做了以下三步：

保證獨立于兩個分子的初始3D位置和方向，即對于相同的輸入未綁定結構，總是預測完全相同的復合物，

僅改變可旋轉鍵的扭轉角，同時保持局部結構（鍵角和長度）固定，結合了生物學上合理的配體靈活性的有效機制，

利用非交叉損失來防止空間沖突或不切實際的范德華相互作用（一定距離內原子間的靜電作用力）。

團隊專注于盲對接，即對蛋白質結合位點或口袋進行預測，這一方法可以很容易地感知近似綁定位置的情況。

另外，為避免結合原子的真實 3D 位置分辨率過低，或者蛋白質表面的可藥物位置不是正構位點，研究人員設置了重新對接和靈活的自對接兩種方式。

相較于其他方式，采用該方法的各項指標在試驗過程中運行效果更佳。最后，團隊還將Equibind與現有基于能量的方法相結合，以驗證混合DL方法的作用。

03、已有產業化趨勢？

經報道后，該研究**時間引起了Relay Therapeutics首席數據官Pat Walters的注意。

他建議團隊，用EquiBind模型對一種已經用于治療肺癌、白血病和胃腸道腫瘤的藥物進行靶點蛋白的結合模擬。

此前，大多數傳統的對接算法都未能成功預測出這一配體/蛋白的相互結合，而EquiBind卻做到了。

Walters表示，EquiBind利用數千個公開可用的晶體結構信息，并結合姿勢預測和結合位點識別，為對接問題提供了新的解決方案，有可能為該領域帶來變革。

在計算模型的實際用途上，行業人士給出了很多正面反饋，St?rk仍然希望在 ICML得到不同角度的觀點，以進一步改善模型。

本網站所有轉載文章系出于傳遞更多信息之目的，轉載內容不代表本站立場。不希望被轉載的媒體或個人可與我們聯系，我們將立即進行刪除處理。