"Naša je metoda brža, što znači da lakše možemo otkriti učinkovite i pouzdane lijekove", kaže Bin Zhang, profesor kemije na MIT-u i koautor rada objavljenog u Journal of Physical Chemistry Letters.  

Slobodna energija vezanja

Afinitet između molekule lijeka i ciljnog proteina mjeri se slobodnom energijom vezanja; što je broj manji, veza je ljepljivija. Odnosno, kako objašnjava Zhang, što se lijek bolje natječe s drugim molekulama, to učinkovitije remetiti normalnu funkciju proteina. 

Trenutno postoje dvije metode za izračunavanje energije vezanja i obje su manjkave. Jedna točno izračunava količinu, ali troši puno vremena i računalnih resursa. Druga je pristupačnija ali daje samo približnu količinu slobodne energije koja se veže. No sada su istraživači osmislili pristup koji koristi najbolje od oba svijeta.

Točno i učinkovito

DeepBAR točno izračunava veznu slobodnu energiju, a pritom zahtijeva samo djelić izračuna koji su zahtijevali prethodni postupci. Nova tehnika kombinira tradicionalne kemijske izračune s nedavnim napretkom u strojnom učenju.

"BAR" u DeepBAR-u označava "Bennettov omjer prihvaćanja", desetljećima star algoritam za procjenu razlike u slobodnoj energiji između dva sustava. Korištenje Bennetovog omjera prihvaćanja obično zahtijeva poznavanje dvaju stanja krajnjih točaka, na primjer molekule lijeka vezane za protein i molekule lijeka potpuno odvojene od proteina, ali i znanje o mnogim intermedijarnim stanjima. A to sve utječe na brzinu izračuna.

DeepBAR primjenjuje Bennettov omjer prihvaćanja u okvirima dubokih generativnih modela. Ovi modeli, objašnjava Zhang, stvaraju referentno stanje za svaku krajnju točku, vezano stanje i nevezano stanje. Ova su dva referentna stanja dovoljno slična da se Bennettov omjer prihvaćanja može koristiti izravno, bez skupih međufaza.

Koristeći duboke generativne modele, istraživači su posuđivali iz područja računalnog vida. U osnovi je riječ o istom onom modelu koji se koristi za sintezu računalnih slika. Istraživači svaku molekularnu strukturu tretiraju kao sliku koju model može naučiti. U konačnici sve se svodi na strojno učenje.

Brži probir lijekova

Najveći je izazov bio ove modele, izvorno razvijene za 2D slike, prilagoditi 3D strukturama proteina ​​i molekula. U testovima koji su koristili male molekule nalik proteinima, DeepBAR je izračunao slobodnu energiju vezanja gotovo 50 puta brže od prethodnih metoda. 

Takva učinkovitost, kaže Zhang, znači da sad možemo početi razmišljati o tome kako ta saznanja iskoristiti za probir lijekova, posebno u kontekstu pandemije Covida-19. DeepBAR je u tome točan kao zlatni standard, ali je pritom puno, puno brži. DeepBAR bi uz to mogao pomoći i u dizajniranju i modeliranju interakcija između proteina.

U budućnosti istraživači planiraju poboljšati sposobnost DeepBAR-a kod velikih proteina, što je postalo izvedivo nedavnim napretkom računalne znanosti. 

"Ovo je istraživanje primjer kombiniranja desetljećima razvijanih, tradicionalnih metoda računalne kemije s najnovijim dostignućima u strojnom učenju", kažu istraživači. "Dakle, postigli smo nešto što je još donedavno bilo nemoguće."