Derin Makine Öğrenimi Bir Milyon Molekülün Biyoaktivitesi Hakkındaki Bilgileri Tamamlıyor

Yapay sinir ağlarını kullanan bilim insanları, bir milyon bileşik için deneysel veriler çıkarmış ve her türlü molekül ile ilgili tahminde bulunmak için bir program paketi geliştirmiştir.

Çalışma Nature Communications dergisinde yayınlanmıştır.

ICREA Araştırmacısı Dr. Patrick Aloy liderliğindeki Yapısal Biyoinformatik ve Ağ Biyolojisi Laboratuvarı, derin makine öğrenimi hesaplama modellerini kullanarak bir milyon molekülün biyoaktivite bilgilerini tamamlamıştır. Ayrıca, herhangi bir molekülün biyolojik aktivitesini tahmin edebilen bir araç geliştirdiklerini de bildirmiştir.

Bu yeni yöntem aynı laboratuvar tarafından geliştirilerek 2020'de yayınlanan, bugüne kadar sahte ilaç biyoaktivite profillerinin en büyük veri tabanını oluşturan Kimyasal Kontrolcü’ye dayanmaktadır. Kimyasal Kontrolcü her molekül için 25 biyoaktivite alanından bilgi toplar. Bu alanlar molekülün kimyasal yapısı, etkileşime girdiği hedefler veya klinik ya da hücresel düzeyde neden olduğu değişikliklere bağlıdır. Bununla birlikte, etki mekanizması hakkındaki bu son derece ayrıntılı bilgi çoğu molekül için eksiktir, bu da belirli bir molekül için bir veya iki biyoaktivite alanından bilgi edinildiğini düşündürür.

Bu yeni gelişme ile araştırmacılar, mevcut tüm deneysel bilgileri derin makine öğrenimi yöntemleriyle birleştirip tüm moleküllerin kimyadan klinik alana kadar tüm aktivite profillerini tamamlayabilmişlerdir.

Dr. Aloy, ‘Yeni araç aynı zamanda yeni moleküllerin biyoaktivite alanlarını tahmin etmemize izin veriyor; bu ilaç keşfetme sürecinde çok önemli.’ diye açıklamıştır.

Yazılım kütüphanesine bilim insanları tarafından serbestçe erişilebilir (bioactivitysignatures.org). ve bu kütüphane düzenli olarak güncellenmektedir. Kimyasal Kontrolcüde yapılan her güncellemede yapay sinir ağları da tahminlerinde revizyon yapmaktadır.

Tahminler ve güvenilirlik

Model tarafından tahmin edilen biyoaktivite verileri, mevcut deneysel verilerin hacmi ve molekülün özellikleri de dahil olmak üzere çeşitli faktörlere bağlı olarak daha fazla ya da daha az güvenilirlik derecesine sahiptir.

Dr. Aloy'un ekibi tarafından geliştirilen sistem, biyolojik düzeyde aktivitenin yönlerini tahmin etmenin yanı sıra, her molekül için tahminin güvenilirlik derecesini ölçüyor. Bir güven ölçütü, sonuçları daha iyi yorumlamamızı ve bir molekülün hangi biyoaktivite alanlarının doğru olduğunu ve hangilerinde hata olduğunu saptamamızı sağlıyor," demiştir çalışmanın ilk yazarı Dr. Martino Bertoni.

Barselona Biyotıp Araştırma Enstitüsü (IRB) bileşik kütüphanesi ile sistemin test edilmesi

Aracı doğrulamak için araştırmacılar, Barselona IRB’deki bileşik kütüphanesinde, ilaçları doğrudan bağladığı için aktivitesinin değiştirilmesi neredeyse imkansız olan kanserle ilgili bir transkripsiyon faktörünün aktivitesini değiştirmek için ilaç adaylarını araştırmışlardır. 17.000 bileşikten oluşan ilk setin derin makine öğrenimi modelleri, hedefe uyan 131 bileşik için özellikleri (dinamikleri, hedef hücreler ve proteinlerle etkileşim vb.) öngörmüştür.

Bu bileşiklerin transkripsiyon faktörünü parçalama yeteneği deneysel olarak doğrulanmıştır ve bu bozulma kapasitesinin modellerin öngördüğüyle tutarlı olduğu ve böylece sistemin doğrulandığı gözlenmiştir.