Теперь исследователи из Университета Пердью разработали новый подход к использованию глубокого обучения, чтобы лучше понять, как белки взаимодействуют в организме, что проложило путь к созданию точных структурных моделей белковых взаимодействий, участвующих в различных заболеваниях, и к разработке более эффективных лекарств, специально нацеленных на взаимодействия белков. Работа опубликована в Интернете в журнале «Биоинформатика».
«Чтобы понять молекулярные механизмы функций белковых комплексов, биологи использовали экспериментальные методы, такие как рентгеновские лучи и микроскопы, но это требует 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 модели или ранжирование моделей может быть затруднительным."
Кихара и его команда разработали систему под названием DOVE, DOcking выбор приманки с помощью глубокой нейронной сети на основе вокселей, которая применяет принципы глубокого обучения к виртуальным моделям взаимодействия белков.
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 крупный прогресс в области биоинформатики», – сказал Сяо Ван, аспирант и член исследовательской группы. "Возможно, это первый раз, когда исследователи успешно использовали глубокое обучение и 3D-функции, чтобы быстро понять эффективность определенных моделей белков. Затем эту информацию можно использовать при создании целевых препаратов для блокирования определенных белок-белковых взаимодействий."