Искусственный интеллект (ИИ) активно внедряется в биомедицинские исследования, ускоряя процесс выявления новых ингибиторов, таких как ингибиторы LOXL2, которые могут стать важными средствами в борьбе с раком. Роль LOXL2 в развитии онкологических заболеваний была хорошо изучена, однако существующие терапевтические подходы к этому белку находятся на ранних стадиях разработки. Исследователи предполагают, что селективные ингибиторы LOXL2, полученные из природных источников, могут предложить более эффективные методы лечения рака.
В рамках нового исследования, авторы применили комплексный подход, объединяющий глубокое обучение и традиционные методы компьютерного дизайна лекарств, для отбора селективных ингибиторов LOXL2. С помощью молекулярного докинга и виртуального скрининга была оценена биологическая активность и сродство потенциальных ингибиторов LOXL2. Экспериментальные тесты показали, что некоторые из выявленных ингибиторов способны подавлять пролиферацию и миграцию раковых клеток, а также способствовать апоптозу.
Одним из ключевых результатов работы стало открытие мощного ингибитора LOXL2 — природного продукта Форсита Сид A, который продемонстрировал ингибиторный эффект на опухоли.
### Введение в проблему LOXL2
Семейство лизилоксидаз (LOX), включая LOXL2, играет важную роль в различных клеточных процессах, связанных с онкологией. LOXL2 обнаруживается в цитоплазме, ядре и микросреде клеток и часто демонстрирует аномальную экспрессию при различных видах рака, что связано с ухудшением прогноза для пациентов. LOXL2 может усугублять пролиферацию, миграцию и метастазирование раковых клеток, что делает его привлекательной мишенью для разработки новых противораковых препаратов.
Несмотря на попытки создать антитела, нацеленные на LOXL2, такие как симтузумаб, которые не показали клинической эффективности в ряде испытаний, исследователи продолжают искать новые подходы для преодоления существующих препятствий в терапии.
### Применение ИИ в открытии лекарств
Современные достижения в области машинного обучения, особенно глубокого обучения, открывают новые горизонты в области вычислительной биохимии и открытия лекарств. Используя глубокие генеративные модели и алгоритмы, исследователи могут исследовать обширные химические пространства и выявлять потенциальные ингибиторы более эффективно, чем традиционные методы.
В данном исследовании был применен алгоритм глубоких нейронных сетей для построения молекулярных графов, что позволяет лучше учитывать многомерные отношения между атомами в молекулах. В результате этого подхода были выявлены новые активные природные соединения, направленные на ингибирование LOXL2.
### Методология исследования
Для выявления ингибиторов LOXL2 исследователи создали положительные и отрицательные наборы данных, основанные на данных о ингибиторах LOXL2 и раковых препаратах. Затем была составлена большая база данных ингредиентов традиционной китайской медицины, включающая более 40 000 соединений. После удаления дубликатов и отбора кандидатов, 25 918 соединений были включены в дальнейший анализ.
Для построения модели глубокого обучения использовался фреймворк DGL-LifeSci и PyTorch. Модель была обучена на 10 000 итераций, и в процессе были применены методы оптимизации гиперпараметров для повышения точности и надежности.
### Экспериментальная валидация
Молекулярный докинг и динамика молекул были использованы для валидации активных природных соединений и определения их структурных свойств. Результаты показали, что Форсита Сид A является новым ингибитором LOXL2, что открывает новые перспективы для разработки противораковых препаратов.
### Заключение
Применение искусственного интеллекта в открытии лекарств, особенно в контексте разработки ингибиторов LOXL2, демонстрирует значительный потенциал для ускорения поиска новых эффективных терапий. Это исследование подчеркивает важность интеграции современных алгоритмов глубокого обучения с традиционными методами разработки лекарств, что, в конечном итоге, может привести к улучшению методов лечения рака и повышению качества жизни пациентов.
Источник: Nature