Специалисты инженерной школе Брауна Университета Райса представила Metabolite Translator – вычислительный инструмент, который предсказывает метаболиты, продукты взаимодействия между небольшими молекулами, такими как лекарства и ферменты.[1]
Известно, что безопасность лекарства зависит не только от самого препарата, но и от метаболитов, которые могут образоваться при его переработке в организме. Ферменты, которые действуют на химические вещества и могут разрывать или образовывать связи, которые превращают их структуру во что-то иное, что может быть токсичным или опасным. Существующие методологии проверки лекарственных препаратов сосредоточены на печени, потому что большинство ксенобиотических соединений, к которым относятся и лекарства, метаболизируются именно там. Однако новый инструмент пытается охватить человеческий метаболизм в целом.
Разработка новой технологии стала возможной благодаря появлению архитектур машинного обучения, которые работают со структурированными данными, такими как химические молекулы. Сначала исследователи загрузили в Metabolite Translator 900 000 известных химических реакций, а затем – снабдили его данными о метаболических преобразованиях в организме человека. Исследователи обучили Metabolite Translator предсказывать метаболиты с помощью любого фермента, но измерили его эффективность в сравнении с существующими методиками прогнозирования побочных реакций, ориентированными на ферменты в печени.
Сравнив результаты, они обнаружили, что Metabolite Translator работал так же хорошо, как и обычно используемые методы. Более того, он также идентифицировал ферменты, которые обычно не участвуют в метаболизме лекарств и не были обнаружены существующими методами. Исследователи уверены, что новый вычислительный инструмент может помочь фармацевтическим компаниям расширить свои возможности по исследованию безопасности лекарств.
Использованы фото Shutterstock/FOTODOM UKRAINE
- Eleni E. Litsa, Payel Das, Lydia E. Kavraki. Prediction of drug metabolites using neural machine translation. Chemical Science, 2020; DOI: 10.1039/D0SC02639E
Discussion about this post