Глубокое обучение, 3D-технологии для улучшения моделирования структуры, создания лучших лекарств

Белки часто называют рабочими молекулами человеческого организма. Типичное тело имеет более 20000 различных типов белков, каждый из которых участвует во многих функциях, необходимых для жизни человека.

Теперь исследователи из Университета Пердью разработали новый подход к использованию глубокого обучения, чтобы лучше понять, как белки взаимодействуют в организме. Это проложило путь к созданию точных структурных моделей белковых взаимодействий, связанных с различными заболеваниями, и к разработке более эффективных лекарств, специально предназначенных для белковых взаимодействий. , Работа выпущена онлайн в Биоинформатика.

«Чтобы понять молекулярные механизмы функций белковых комплексов, биологи использовали экспериментальные методы, такие как рентгеновские лучи и микроскопы, но они требуют больших затрат времени и ресурсов». сказал Дайсуке Кихара, профессор биологических наук и компьютерных наук в Научный колледж Пердью, который возглавляет исследовательскую группу. «Исследователи биоинформатики в нашей лаборатории и других учреждениях разрабатывают вычислительные методы для моделирования белковых комплексов. Одна большая проблема заключается в том, что вычислительный метод обычно генерирует тысячи моделей, и выбор правильной или ранжирование моделей может быть затруднено».

Глубокое обучение, 3D-технологии для улучшения моделирования структуры, создания лучших лекарств

Кихара и его команда разработали систему под названием DOVE, выбор приманки DOcking с помощью глубокого нейронного nEwork на основе Voxel, которая применяет принципы глубокого обучения к виртуальным моделям белковых взаимодействий. DOVE сканирует белок-белковый интерфейс модели, а затем использует принципы модели глубокого обучения, чтобы различать и фиксировать структурные особенности правильных и неправильных моделей.

«Наша работа представляет собой значительный прогресс в области биоинформатики». сказал Сяо Ванг, аспирант и член исследовательской группы. «Это может быть первый случай, когда исследователи успешно использовали возможности глубокого обучения и 3D-функции для быстрого понимания эффективности определенных белковых моделей. Затем эта информация может быть использована при создании целевых лекарств для блокирования определенных белок-белковых взаимодействий».

You may also like