샌프란시스코 캘리포니아 대학교 (University of California)의 과학자들은 소분자가 단백질과 어떻게 상호 작용하는지 빠르고 정확하게 예측할 수있는 새로운 방법을 개발했습니다. 이는 현재 시간이 많이 걸리고 비싼 과정 인 약물 발견 과정의 속도를 크게 높일 수 있습니다.
"Silico Protein-Ligand Interaction Profaction Profiction"(IPLIP)이라는 새로운 방법은 머신 러닝을 사용하여 실험 데이터의 대규모 데이터 세트를 분석합니다. 이 데이터는 소분자가 특정 단백질에 결합 할 가능성을 예측할 수있는 컴퓨터 모델을 훈련시키는 데 사용됩니다.
연구원들은 다양한 단백질과 소분자에 대해 IPLIP를 테스트했으며 그 결과는 매우 유망했습니다. IPLIP는 시험 된 단백질의 90%에 대한 소분자의 결합 친화력을 정확하게 예측할 수 있었다. 이 수준의 정확도는 약물 발견 과정에서 수행 해야하는 실험의 수를 크게 줄일 수 있습니다.
속도와 정확성 외에도 IPLIP는 사용하기에 상대적으로 저렴합니다. 이를 통해 소규모 생명 공학 회사와 대규모 실험 연구를 수행 할 자원이없는 학업 연구원에게 귀중한 도구가 될 수 있습니다.
Brian Shoichet의 연구 책임자는“IPLIP는 우리가 약물을 발견하는 방식을 혁신 할 수있는 잠재력을 가지고 있습니다. "이것은 약물 발견 과정을 크게 가속화하고 소기업과 학업 연구원들에게 더 저렴하게 만들 수 있습니다."
이 연구는 자연 커뮤니케이션 저널에 발표되었습니다.
iplip의 작동 방식
IPLIP는 머신 러닝을 사용하여 실험 데이터의 대규모 데이터 세트를 분석합니다. 이 데이터는 소분자가 특정 단백질에 결합 할 가능성을 예측할 수있는 컴퓨터 모델을 훈련시키는 데 사용됩니다.
기계 학습 모델은 소분자의 화학 구조, 단백질의 서열 및 소분자가 단백질에 어떻게 결합하는지에 대한 실험 데이터를 포함하여 다양한 특징에 대해 훈련됩니다.
모델이 훈련되면 새로운 소분자가 특정 단백질에 결합 할 가능성을 예측하는 데 사용될 수 있습니다. 그런 다음이 정보는 연구원들이 추가 테스트를 위해 가장 유망한 소분자를 선택할 수 있도록 돕고 약물 발견 과정을 안내하는 데 사용될 수 있습니다.
iplip 의 응용
IPLIP는 약물 발견 과정에 큰 영향을 줄 수 있습니다. 신약을 찾는 과정을 가속화하고 소기업 및 학업 연구원에게 더 저렴하게 만들 수 있습니다.
IPLIP는 또한 약물 발견을위한 새로운 목표를 식별하는 데 사용될 수 있습니다. 질병에 관여하는 단백질을 식별함으로써 IPLIP는 연구자들이 그 단백질을 표적으로하는 약물을 개발하는 데 도움이 될 수 있습니다.
약물 발견 외에도 IPLIP는 단백질이 서로 상호 작용하는 방법을 이해하고 소분자가 세포 과정에 어떤 영향을 미치는지 이해하는 것과 같은 다른 연구 영역에서도 사용될 수 있습니다.
