1200배 빨라졌습니다! MIT는 기존 모델을 무너뜨리기 위해 차세대 약물 연구 및 개발 AI를 개발합니다.

​우리 모두 알고 있듯이, 우주 전체는 셀 수 없이 많은 분자로 가득 차 있습니다.

이러한 분자 중 얼마나 많은 분자가 잠재적으로 약물과 유사한 특성을 갖고 있으며 생명을 구하는 약물을 개발하는 데 사용될 수 있습니까? 백만인가요? 아니면 수십억? 아니면 수조?

답은 10의 60제곱입니다.

이런 엄청난 숫자로 인해 신약 연구 개발이 크게 지연되었습니다. 코로나19와 같이 급속히 확산되는 질병에 대해 현재 특정 약물이 없는 것도 분자의 종류와 양이 너무 크기 때문입니다. 기존 약물 설계 모델이 수행할 수 있는 계산 범위를 훨씬 뛰어넘습니다.

MIT의 한 연구팀은 이러한 악을 믿지 않습니다. 안 되겠죠? 그럼 이전 모델을 가속해도 괜찮겠죠?

이 가속도는 1200배입니다. ​

이들은 기존의 가장 빠른 계산 분자 도킹 모델인 "QuickVina2-W"보다 1,200배 빠른 "EquiBind"라는 기하학적 딥러닝 모델을 연구하여 약물 유사 분자를 단백질과 성공적으로 결합했습니다. 약물 실험 실패.

연구 논문은 ICML 2022에 게재될 예정입니다.

"EquiBind" 첫 소개

"EquiBind"는 전신인 "EquiDock"을 기반으로 개발되었으며, "EquiDock"은 MIT AI 연구원인 Octavian-Eugen Ganea가 개발한 기술을 사용하여 두 종류의 단백질을 결합합니다. Ganea는 "EquiBind" 논문의 공동 저자이기도 합니다.

약물 개발이 시작되기 전에 연구자들은 약물 발견 과정에서 특정 단백질 표적에 올바르게 결합하거나 "도킹"할 수 있는 유망한 유사 약물 분자를 찾아야 합니다.

단백질과의 도킹에 성공한 후 약물(리간드)을 결합하면 단백질의 기능을 방해할 수 있습니다. 박테리아의 필수 단백질 중 하나에 이런 일이 발생하면 박테리아를 죽이고 신체를 보호할 수 있습니다.

그러나 약물 발견 과정은 경제적인 측면과 계산적인 측면 모두에서 비용이 많이 들 수 있습니다. R&D 과정은 종종 수십억 달러의 비용이 들고 최종 FDA 승인 및 테스트까지 10년 이상이 걸릴 수 있습니다.

더 중요한 것은 약물의 90%가 효과가 없거나 부작용이 너무 많아서 인간 실험 후에 실패한다는 것입니다.

그러므로 제약회사가 이러한 비용을 회수할 수 있는 방법 중 하나는 궁극적으로 성공적으로 개발한 약품의 가격을 높이는 것입니다.

“EquiBind”로 들어가세요

현재 유망한 약물 후보 분자를 찾기 위한 계산 프로세스는 다음과 같습니다. 대부분의 가장 진보된 계산 모델은 점수 매기기, 순위 지정, 미세 조정과 결합된 수많은 후보 샘플에 의존합니다. 리간드와 단백질 사이의 최상의 "일치"를 얻기 위한 튜닝 등의 방법.

본 논문의 주 저자이자 MIT 전기공학 및 컴퓨터과학과 1학년 대학원생인 Hannes Stärk는 전형적인 "리간드-단백질" 결합 방법을 "열쇠 구멍에 열쇠를 넣으려고 하는 것"에 비유했습니다. "잠김".

일반적인 모델은 최고의 모델을 선택하기 전에 각각의 '적합'을 평가하는 데 시간을 보냅니다. 이에 비해 "EquiBind"는 단백질의 표적 포켓에 대한 사전 지식이 필요하지 않으며 단 한 단계만으로 정확한 키 위치를 직접 예측할 수 있습니다. 이를 "블라인드 도킹"이라고 합니다.

단백질에서 리간드의 유리한 위치를 찾기 위해 여러 번의 시도가 필요한 대부분의 모델과 달리 "EquiBind"에는 모델이 분자의 기본 물리적 특성을 학습하고 성공적으로 일반화하는 데 도움이 되는 기하학적 추론 기능이 이미 내장되어 있습니다. 새롭거나 인식할 수 없는 데이터가 발생할 때 더 나은 예측을 위해 성공적으로 일반화합니다.

이러한 연구 결과의 공개는 Relay Therapeutics의 최고 데이터 책임자인 Pat Walters를 비롯한 업계 전문가들의 관심을 빠르게 끌었습니다.

Walters는 연구팀이 폐암, 백혈병 및 위장 종양에 사용되는 기존 약물과 단백질에 모델을 시험해 볼 수 있다고 제안했습니다. 대부분의 전통적인 도킹 방법은 이러한 단백질의 리간드를 성공적으로 결합하지 못하지만 EquiBind는 성공합니다.

Walters는 "EquiBind는 포즈 예측과 바인딩 사이트 식별을 결합하여 도킹 문제에 대한 고유한 솔루션을 제공합니다."

"그리고 이 방법은 발표된 수천 개의 결정 구조에서 얻은 정보를 활용합니다. "우리는 EquiBind가 이를 표현할 수 있다는 사실에 놀랐습니다. 다른 모든 것이 완전히 틀렸거나 하나만 맞았을 때 오른쪽 주머니에 "라고 Stärk는 말했습니다. 우리는 이 결과에 매우 기쁩니다!"

“EquiBind” 지원

“EquiBind”는 업계 전문가로부터 많은 피드백을 받았지만 , 그리고 이 피드백은 팀이 계산 모델의 실제 사용을 고려하는 데 도움이 되었습니다. Stärk는 여전히 7월에 다가오는 ICML에서 다른 관점을 찾기를 희망합니다.

Stärk는 "제가 가장 기대하는 피드백은 모델을 더욱 개선할 수 있는 방법에 대한 제안입니다."라고 말했습니다.

"저는 이 연구원들과 논의하고, 다음 단계가 무엇일 수 있다고 생각하는지 알려주고, 그들이 앞으로 나아가 자신의 논문과 방법에 모델을 사용하도록 격려하고 싶습니다. 이미 많은 연구원들이 우리에게 문의하기 위해 연락했습니다. 이 모델이 그들의 문제에 도움이 될까요?

또한 이 기사는 기하학적 기계 학습 연구에 중요한 공헌을 하고 많은 학생들에게 아낌없는 멘토였던 Octavian-Eugen Gane을 기념합니다. .

올해 상반기 산행 중 우리 곁을 영원히 떠났습니다.

위 내용은 1200배 빨라졌습니다! MIT는 기존 모델을 무너뜨리기 위해 차세대 약물 연구 및 개발 AI를 개발합니다.의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!