En genvej til lægemiddelopdagelse:Ny metode forudsiger i stor skala, hvordan små molekyler interagerer med proteiner

Forskere ved University of California, San Francisco (UCSF) har udviklet en ny metode, der hurtigt og præcist kan forudsige, hvordan små molekyler interagerer med proteiner. Dette kan fremskynde processen med at opdage lægemidler betydeligt, som i øjeblikket er en tidskrævende og dyr proces.

Den nye metode, kaldet "in silico protein-ligand interaction profiling" (iPlip), bruger maskinlæring til at analysere store datasæt af eksperimentelle data. Disse data bruges derefter til at træne en computermodel, der kan forudsige, hvor sandsynligt det er, at et lille molekyle binder til et bestemt protein.

Forskerne testede iPlip på en række forskellige proteiner og små molekyler, og resultaterne var meget lovende. iPlip var i stand til nøjagtigt at forudsige små molekylers bindingsaffinitet for 90 % af de testede proteiner. Dette niveau af nøjagtighed kan reducere antallet af eksperimenter, der skal udføres under lægemiddelopdagelsesprocessen.

Udover hastigheden og nøjagtigheden er iPlip også relativt billig i brug. Dette kan gøre det til et værdifuldt værktøj for små biotekvirksomheder og akademiske forskere, som ikke har ressourcerne til at udføre store eksperimentelle undersøgelser.

"iPlip har potentialet til at revolutionere den måde, vi opdager stoffer på," sagde studieleder professor Brian Shoichet. "Det kunne markant fremskynde processen med at opdage lægemidler og gøre det mere overkommeligt for små virksomheder og akademiske forskere."

Undersøgelsen blev offentliggjort i tidsskriftet Nature Communications.

Sådan fungerer iPlip

iPlip bruger maskinlæring til at analysere store datasæt af eksperimentelle data. Disse data bruges derefter til at træne en computermodel, der kan forudsige, hvor sandsynligt det er, at et lille molekyle binder til et bestemt protein.

Maskinlæringsmodellen er trænet i en række funktioner, herunder den kemiske struktur af det lille molekyle, sekvensen af ​​proteinet og de eksperimentelle data om, hvordan det lille molekyle binder til proteinet.

Når først modellen er trænet, kan den bruges til at forudsige, hvor sandsynligt det er, at et nyt lille molekyle binder til et bestemt protein. Denne information kan derefter bruges til at guide lægemiddelopdagelsesprocessen ved at hjælpe forskere med at udvælge de mest lovende små molekyler til yderligere test.

Applikationer af iPlip

iPlip kan have en betydelig indflydelse på lægemiddelopdagelsesprocessen. Det kunne fremskynde processen med at finde nye lægemidler og gøre det mere overkommeligt for små virksomheder og akademiske forskere.

iPlip kan også bruges til at identificere nye mål for lægemiddelopdagelse. Ved at identificere proteiner, der er involveret i sygdom, kan iPlip hjælpe forskere med at udvikle lægemidler, der er målrettet mod disse proteiner.

Ud over lægemiddelopdagelse kan iPlip også bruges i andre forskningsområder, såsom forståelse af, hvordan proteiner interagerer med hinanden, og hvordan små molekyler påvirker cellulære processer.