تحقيق التنبؤ الديناميكي لرسو البروتين! أطلقت جامعة شنغهاي جياو تونغ / شينغ ياو للتكنولوجيا / جامعة صن يات صن وآخرون نموذج توليد العمق الهندسي DynamicBind
البروتين هو الأساس المادي للحياة. ترتبط وظيفتها ارتباطًا وثيقًا بديناميكيات بنية البروتين وتكوينه، ويتم تنظيمها بواسطة الربيطة. إن دراسة تفاعلات البروتين مع الربيطة لها أهمية كبيرة في اكتشاف الأدوية وفحصها. عند النظر إلى التقدم الذي أحرزته الأبحاث، فإن إطلاق AlphaFold يمثل إنجازًا بارزًا يمكنه التنبؤ بالبنية المكانية ثلاثية الأبعاد لبروتين واحد وتوفير أساس هيكلي لدراسة تفاعلات البروتين مع الربيطة.
ومع ذلك، لا يستطيع AlphaFold التنبؤ إلا بالبنية الثابتة للبروتين في لحظة معينة من الزمن ويفشل في التنبؤ بالتغيرات الديناميكية في بنية البروتين.عندما يتم استخدام بنية البروتين الخالية من الربيطة التي تنبأ بها AlphaFold كمدخل للالتحام، فإن تنبؤات موضع الربيطة الناتجة غالبًا لا تتطابق مع البنية البلورية المشتركة المرتبطة بالربيطة. بالإضافة إلى ذلك، من غير المرجح أن يظهر الهيكل الذي تنبأ به AlphaFold أفضل تكوينات السلسلة الجانبية والسلسلة الرئيسية لربط الربيطة، مما يؤدي إلى عدم وجود المواقع النشطة ذات الصلة في الموضع الصحيح. لذلك، من الصعب حاليًا استخدام بنية AlphaFold لفحص الأدوية وتصميمها.
وفي ضوء ذلك،اقترحت مجموعة البحث بقيادة Zheng Shuangjia من جامعة Shanghai Jiao Tong، بالتعاون مع Star Pharma Technology، وكلية الصيدلة بجامعة Sun Yat-sen، وجامعة Rice، نموذجًا هندسيًا عميقًا توليديًا DynamicBind مصممًا للالتحام الديناميكي بالبروتين.يمكنه تعديل تكوين البروتين بشكل فعال من الحالة الأولية المتوقعة لـ AlphaFold إلى حالة شبيهة بالهولوغرام، مما يوفر نموذجًا بحثيًا جديدًا يعتمد على التعلم العميق ويأخذ في الاعتبار التغييرات الديناميكية للبروتينات لتطوير الأدوية في عصر ما بعد AlphaFold.وقد تم التحقق من هذه الطريقة أيضًا من خلال التجارب الرطبة في مسابقة فحص الأدوية الدولية CACHE، ويمكنها فحص المركبات الرائدة التنافسية بحثًا عن أهداف يصعب علاجها لعلاج مرض باركنسون.
نُشرت الدراسة، التي تحمل عنوان "DynamicBind: التنبؤ ببنية مجمع البروتين-الربيطة الخاص بالربيط باستخدام نموذج توليدي متغاير عميق"، في مجلة Nature Communications.
أبرز الأبحاث:
* باستخدام نماذج الانتشار العميق المتقدمة وتكنولوجيا الشبكة العصبية للهندسة المتغيرة المتساوية، يتم توحيد تكوين البروتين والتنبؤ بموضع الربيطة في إطار عمل واحد، مما يحقق التنبؤ الديناميكي بالالتحام للبروتينات والربيطة
* يتفوق DynamicBind على طرق الإرساء التقليدية وطرق الإرساء الصلبة القائمة على التعلم العميق في إرساء البروتين والربيطة
* يستخدم DynamicBind تكوين البروتين الذي تنبأ به AlphaFold لتعديل تكوين البروتين ديناميكيًا والعثور على التكوين الأمثل الذي يناسب الربيطة بشكل أفضل
عنوان الورقة:
https://www.nature.com/articles/s41467-024-45461-2
يجمع المشروع المفتوح المصدر "awesome-ai4s" أكثر من مائة تفسير ورقي لـ AI4S ويوفر مجموعات وأدوات ضخمة من البيانات:
https://github.com/hyperai/awesome-ai4s
مجموعة البيانات: استنادًا إلى مجموعة بيانات PDBbind، يتم استخدام مجموعة اختبار MDT لتوسيع نطاق التقييم
استخدم الباحثون أولاً مجموعة بيانات PDBbind لتدريب مجموعات التدريب والتحقق والاختبار الخاصة بالنموذج بالترتيب الزمني، مقترنة بتقارب الارتباط المقاس تجريبياً.وبما أن مجموعة اختبار PDBbind تحتوي على ما يقرب من 300 بنية من عام 2019، بما في ذلك العديد من ربيطات الجزيئات غير الصغيرة (53 منها عبارة عن ببتيدات)، فقد قام الباحثون بتوسيع نطاق التقييم بمجموعة اختبار مستهدفة رئيسية للدواء (MDT).
تتضمن مجموعة اختبار MDT 599 بنية مؤرشفة في عام 2020 أو بعده، بما في ذلك ربيطات تشبه الأدوية والبروتينات من أربع عائلات رئيسية: الكينازات، ومستقبلات البروتين ج (GPCR)، والمستقبلات النووية، والقنوات الأيونية. تمثل عائلات البروتين هذه أهدافًا لأدوية جزيئية صغيرة معتمدة من قبل إدارة الغذاء والدواء الأمريكية، والتي تبلغ حوالي 70%، وهو ما يمثلها.
DynamicBind: نموذج هندسي قائم على التعلم العميق للتنبؤ ببنية المجمعات الديناميكية
على عكس طرق الالتحام التقليدية التي تعامل البروتينات ككيانات صلبة في الغالب، يستخدم DynamicBind نماذج انتشار عميقة متقدمة وتكنولوجيا الشبكة العصبية الهندسية المتغيرة لتوحيد الخطوتين المنفصلتين تقليديًا لتوليد تكوين البروتين والتنبؤ بموضع الربيطة في إطار واحد، مما يحقق التنبؤ الديناميكي بالالتحام للبروتينات والربيطة.وفي الوقت نفسه، وباعتبارها طريقة تعلم عميق شاملة، فهي أيضًا أسرع بعدة أوامر من حيث الحجم من عمليات محاكاة الخوارزميات الجزيئية التقليدية في أخذ عينات من مجموعة واسعة من التغيرات التكوينية للبروتين.
يقبل DynamicBind هياكل شبيهة بـ APO بتنسيق PDB والعديد من تنسيقات ربيطات الجزيئات الصغيرة المستخدمة على نطاق واسع، مثل SMILES أو SDF.أثناء الاستدلال، يضع النموذج الروابط بشكل عشوائي، ويتم إنشاء تكوينات البذور للرابطات حول البروتين باستخدام RDKit. أثناء مرحلة التدريب، يهدف النموذج إلى تعلم العملية من التكوين الشبيه بالتكوين الأبوي إلى التكوين الهولو. أثناء الاستدلال، يتكرر النموذج 20 مرة على بنية الإدخال الأولية.
كما هو موضح في الشكل أ أدناه، يمثل اللون الوردي الحالة الهولوغرافية (الهولوغرام) لتكوين البروتين، ويمثل اللون الأخضر البروتين الدهني الأولي والتكوينات المتوقعة في النموذج، ويمثل اللون السماوي الربيطة الأصلية، ويمثل اللون البرتقالي الربيطة المتوقعة.
في كل تكرار، يتم إدخال خصائص وإحداثيات البروتين والربيطة (بما في ذلك الالتواء الجانبي، وإحداثيات ذرات الكالسيوم، وما إلى ذلك) في وحدة التفاعل المتغير SE(3). تتضمن نتائج مخرجات النموذج الترجمة العالمية ودوران الربيطة وكل بقايا البروتين، وزاوية الالتواء للربيطة ودوران زاوية كاي لبقايا البروتين، ووحدتي تنبؤ (تقارب الارتباط أ ودرجة الثقة د).
يوضح الشكل ب أدناه كفاءة أخذ العينات لنموذج DynamicBind. أثناء انتقال بروتين الكيناز من DFG إلى DFG إلى الخارج، يمكن للنموذج التنبؤ بتكوينين مختلفين للهولو عندما يرتبط البروتين برباطين مختلفين. علاوة على ذلك، يمكن لـ DynamicBind التنبؤ بتكوين البروتين المرتبط في غضون 20 خطوة، في حين تتطلب عمليات محاكاة MD لجميع الذرات ملايين الخطوات للعثور على نفس حالة الارتباط.
DynamicBind هو برنامج متعدد الاستخدامات في التنبؤ بالالتحام الديناميكي للبروتين. يؤدي أداءً جيدًا في خمس مهام رئيسية.
لتقييم أداء نموذج DynamicBind، قام الباحثون باختباره في خمس مهام، بما في ذلك:
(1) اختبار معيار DynamicBind مقابل طرق الإرساء الحالية؛
(2) القدرة على أخذ عينات من التغيرات التكوينية في عدد كبير من البروتينات؛
(3) نطاق معالجة التغيرات التكوينية للبروتين؛
(4) القدرة على التنبؤ بالجيوب المخفية لتحقيق الالتحام الديناميكي؛
(5) أداء الفحص في اختبارات المعايير للمضادات الحيوية.
يتفوق DynamicBind على طرق الإرساء التقليدية وطرق الإرساء الصلبة القائمة على التعلم العميق
أثناء الاختبار، لم يستخدم الباحثون الهياكل الهولوغرافية كمدخلات وافترضوا أن تشكيلات البروتين الهولوغرافية غير متوفرة، مستخدمين فقط تشكيلات البروتين التي تنبأ بها AlphaFold كمدخلات.نظرًا لأن تكوينات الهولو تُظهر تكاملًا قويًا في الشكل والشحنة مع الربيطة المتبلورة، فإن عملية التنبؤ بموضع الربيطة تكون مبسطة.
وكما هو موضح في الشكلين (أ) و(ب) أدناه، قارن الباحثون DynamicBind مع نماذج أساسية أخرى على مجموعة بيانات PDBbind ومجموعة بيانات MDT. في ظل عتبات RMSD المختلفة، تفوقت DynamicBind على الطرق الأخرى. على وجه التحديد، فإن نسبة ربيطات DynamicBind ذات عتبات RMSD أقل من 2Å (5Å) هي 33% (65%) على مجموعة اختبار PDBbind و39% (68%) على مجموعة اختبار MDT.
ومع ذلك، عند تقييم النموذج، يتم استخدام قيمة RMSD للربيطة فقط للتقييم، وهو أمر مفيد للنماذج القائمة على التعلم العميق مثل DiffDock وTankBind وDynamicBind لأنها تتمتع بتسامح أعلى للصراعات التكوينية؛ ولكنها غير مواتية لطرق الالتحام Gnina وGlide وVina التي تنفذ بشكل صارم قوى فان دير فالس وتعتمد على حقول القوة، وبالتالي تؤثر على موضوعية تقييم النموذج. لذلك، استخدم الباحثون RMSD للربيطة ودرجات الصراع لتقييم معدل نجاح التنبؤ بالربيطة.
يوضح الشكل ج معدل نجاح التنبؤ بالربيطة باستخدام معايير صارمة (RMSD للربيطة < 2 Å، درجة التعارض < 0.35) ومعايير أكثر مرونة (RMSD للربيطة < 5 Å، درجة التعارض < 0.5). في ظل ظروف أكثر صرامة، فإن معدل نجاح DynamicBind (0.33) هو 1.7 مرة من أفضل DiffDock أساسي (0.19).
بالإضافة إلى ذلك، حتى عندما يكون RMSD بين الجيب الأولي وبنية البلورة كبيرًا، فإن RMSD الجيب الذي تنبأ به DynamicBind أصغر بكثير من ذلك الذي تنبأ به AlphaFold، كما هو موضح في الشكل d أدناه.
نظرًا لقدرة DynamicBind على توليد تكوينات متنوعة واستنادًا إلى درجات LDDT الخاصة بـ AlphaFold، قام الباحثون بتطوير وحدة تسجيل LDDT التلامسية (cLDDT) لاختيار الهيكل المعقد الأكثر ملاءمة من الناتج المتوقع.
كما هو موضح في الشكل e أدناه، فإن cLDDT المتوقع بواسطة DynamicBind له ارتباط جيد مع RMSD الربيطة الفعلية، مما يشير إلى فعاليته في اختيار الهياكل المعقدة عالية الجودة.
كما هو موضح في الشكل f أدناه، مع زيادة عدد العينات المولدة، يزداد أيضًا معدل نجاح نموذج DynamicBind في التنبؤ بوضعيات الربيطة.
يمكن لـ DynamicBind التقاط التغيرات التكوينية للبروتينات الخاصة بالربيط
عادةً ما تقوم بروتوكولات الالتحام التقليدية بأخذ عينات من تكوين البروتين كخطوة منفصلة عن عملية الالتحام. ومع ذلك، في كثير من الحالات، قد يتناسب ربيطان مختلفان مع تكوينات بروتينية متبادلة الحصر. في نماذج الالتحام السابقة، كان لا بد من ضبط البروتين مسبقًا في التكوين الصحيح قبل أن يكون من الممكن تحديد وضع الارتباط المناسب للربيطة.على النقيض من ذلك، يستخدم DynamicBind تكوين البروتين الذي تنبأ به AlphaFold لضبط تكوين البروتين بشكل ديناميكي والعثور على التكوين الأمثل الذي يناسب الربيطة المطلوبة بشكل أفضل، انظر الشكل أ أدناه.
تظهر الأشكال من b إلى e الانحراف المعياري الجذري المتوسط للربيطات والجيوب التي تنبأت بها DynamicBind وAlphaFold في هياكل PDB 6UBW وPDB 7V3S. بالنسبة لـ PDB 6UBW، يتنبأ DynamicBind بـ RMSD للربيطة يبلغ 0.49 Å و RMSD للجيب يبلغ 1.97 Å، بينما يبلغ RMSD للجيب لهيكل AlphaFold 9.44 Å. بالنسبة لـ PDB 7V3S، يتنبأ DynamicBind بـ RMSD للربيطة يبلغ 0.51 Å و RMSD للجيب يبلغ 1.19 Å (AlphaFold 6.02 Å).
يوضح الشكلان f وg كيف تتحرك البروتينات التي تحمل علامة UniProt ID، بدءًا من نفس البنية الأولية، تدريجيًا نحو تكوين DFG-in بعد الارتباط بمثبطات النوع الأول وتميل إلى تكوين DFG-out عند التفاعل مع مثبطات النوع الثاني.
يوضح الشكل h أن معظم هياكل البروتين التي تنبأت بها DynamicBind تظهر RMSD جيبية أقل مقارنة بهيكل AlphaFold الأولي.
تُظهر النتائج المذكورة أعلاه أن DynamicBind قادر على التقاط التغييرات التكوينية الخاصة بالربيط.وهذا يعني أن DynamicBind يمكنه التعرف على المركبات التي ترتبط بشكل جيد بتكوينات أخرى محتملة للبروتين، حتى لو كانت التكوينات المعينة تختلف عن بنية البروتين المقدمة في البداية.
يغطي DynamicBind مقاييس متعددة للتغيرات التكوينية للبروتين
قام الباحثون بتقييم DynamicBind باستخدام ستة أنواع مختلفة من التغيرات التكوينية عبر المقاييس، والتي تتراوح من البيكو ثانية إلى المللي ثانية.كما هو موضح في الشكل أدناه، يمثل اللون الوردي البنية البلورية، ويمثل اللون الأبيض بنية AlphaFold، ويمثل اللون الأخضر البنية المتوقعة بواسطة DynamicBind، ويمثل اللون السماوي الربيطة الأصلية، ويمثل اللون البرتقالي الربيطة المتوقعة بواسطة DynamicBind.
بناءً على المقارنة مع البنية البلورية،يقيس Δpocket RMSD الفرق بين RMSD الجيب بين بنية البروتين المتوقعة بالنموذج وبنية AlphaFold.يشير RMSD السالب لـ Δpocket إلى أن البنية التي تنبأ بها DynamicBind أقرب إلى البنية التي تنبأ بها AlphaFold من البنية البلورية.
يقيس Δclash الفرق في درجات الاصطدام بين زوج البروتين والربيطة المتوقع والربيطة المطعمة في بنية AlphaFold.يشير Δclash السلبي إلى عدد أقل من الصدامات في المجمع المتوقع.
في الشكل أ، يصطدم الربيطة الأصلية بسلسلة جانبية من بنية AlphaFold المتراكبة؛ في تنبؤ DynamicBind، تتحرك هذه السلسلة الجانبية نحو التكوين الأصلي، وبالتالي حل الصراع. في الشكل ب، يقوم التيروزين في بنية AlphaFold بحجب جزء من الجيب؛ في بنية DynamicBind المتوقعة والبنية الأصلية، يصبح هذا الجزء من الجيب قابلاً للوصول. في اللوحة c، تتقاطع حلقة مرنة مع الربيطة، بينما يتم نقلها بعيدًا في تنبؤ DynamicBind، وهو ما يتوافق مع البنية الأصلية.
في الشكل د، يصبح الحلزون ألفا حلقة بالقرب من موقع ربط الربيطة. في الشكل هـ، يتعرض الهيكل الثانوي لبروتين الصدمة الحرارية Hsp90α لحركة كبيرة عندما ينتقل من حالة مغلقة إلى حالة مفتوحة. في اللوحة f، تتكثف مجالات كيناز AKT1 معًا لتشكيل جيب لم يكن موجودًا من قبل.
باختصار، عندما لا يكون جيب ربط الربيطة واسعًا بدرجة كافية أو لا يشكل التكوين المتوقع بواسطة AlphaFold، يمكن لنموذج DynamicBind التنبؤ بالتغيرات التكوينية المختلفة المرتبطة بربط الربيطة.
DynamicBind يحدد مواقع الربط الغامضة
غالبًا ما تولد البروتينات جيوبًا غامضة أثناء العمليات الديناميكية، والتي يمكن أن تكشف عن مواقع قابلة للعلاج لا يتم اكتشافها في الهياكل الثابتة، وبالتالي تجعل البروتينات "غير القابلة للعلاج" سابقًا أهدافًا محتملة للعلاج.وباستخدام البروتين 2 المحتوي على مجال SET (SEtD2) كدراسة حالة، أظهر الباحثون فائدة DynamicBind في الكشف عن هذه الجيوب الغامضة.
SETD2، وهو ميثيل ترانسفيراز هيستون وهو دواء رئيسي لعلاج الورم النقوي المتعدد (MM) والورم الليمفاوي الخلوي الكبير المنتشر (DLBCL)، يحتوي على جيب خفي وهو هدف مركب انتقائي للغاية، EZM0414، وهو حاليًا في المرحلة الأولى من التجارب السريرية.
كما هو موضح في الشكلين (أ) و(ب) أدناه، فإن جميع نظائر SETD2 في مجموعة التدريب (المحددة من خلال تشابه بروتين سميث-واترمان بأكثر من 0.4) تتبلور بشكل مشترك مع نظائر S-أدينوسيل ميثيونين (SAM) أو سينفونجين، والتي يتم تمثيلها بخطوط. يشير الشريط السماوي إلى الربيطة EZM0414 لـ PDB 7TY2، ويشير الشريط الوردي إلى البروتين.
في الشكل ج، يمثل اللون الأبيض بنية AlphaFold وسطحها، حيث يتم حظر المواقع الغامضة، مما يؤدي إلى عدد كبير من الصراعات مع EZM0414 المزروع.
تؤكد اللوحة d أن EZM0414 هو ربيطة غير مرئية وأن حتى ربيطة Tanimoto الأكثر تشابهًا تنحرف بشكل كبير عن EZM0414. يوضح الشكل e بنية مجمع البروتين-الربيطة التي تنبأ بها نموذج DynamicBind، والذي يأخذ بنية SETD2 المتوقعة من AlphaFold وتمثيل SMILES لـ EZM0414 كمدخلات. يوضح الشكل f التداخل بين بنية مجمع البروتين-الربيطة التي تنبأت بها DynamicBind والبنية البلورية لمجمع SETD2-EZM0414 (PDB 7TY2).
وبناءً على النتائج، نجح DynamicBind في تحقيق الالتحام الديناميكي للجيب المخفي، ليس فقط من خلال وضع الربيطة بنجاح، بل وأيضًا من خلال إيجاد تكوين جيب أكثر ملاءمة (كان RMSD للربيطة التي تم الحصول عليها 1.4 Å، وكان RMSD للجيب 2.16 Å).
DynamicBind يحقق أداءً أفضل في فحص الأدوية على معايير المضادات الحيوية
في عملية اكتشاف الأدوية القائمة على الهدف، يعد فحص المرشحين المحتملين للأدوية والفحص المضاد (تحديد أهداف البروتين لمركبات محددة) أمرًا بالغ الأهمية.لتقييم أداء الفحص لنموذج DynamicBind عمليًا، أضاف الباحثون وحدة تنبؤ بالتقارب إلى النموذج، وقاموا بتدريبه باستخدام بيانات تقارب الارتباط المقاسة تجريبيًا والتي تم الحصول عليها من مجموعة بيانات PDBbind، وقاموا بتقييمه على بيانات اختبار فحص الأدوية من بروتيوم المضادات الحيوية التي تم إصدارها في عام 2023 (بما في ذلك 12 هدفًا بروتينيًا ونحو 3000 بيانات نشاط مقاسة).
كما هو موضح في الشكل أ أدناه، يتفوق DynamicBind على طرق الإرساء الشائعة مثل VINA وDOCK6.9، بالإضافة إلى أفضل طريقة لإعادة التسجيل استنادًا إلى التعلم الآلي، مع مساحة متوسطة تحت منحنى خاصية التشغيل للمستقبل (auROC) تبلغ 0.68. يرجع هذا التحسن في الأداء إلى قدرة الالتحام الديناميكي لـ DynamicBind، والتي يمكنها تحسين بنية AlphaFold إلى حالة أصلية أقرب، وبالتالي تحقيق تقدير أكثر دقة لتقارب الارتباط.
يوضح الشكل ب أعلاه أن بنية البروتين murD التي تنبأت بها DynamicBind تحيط بالربيط بشكل أكثر إحكامًا، مما يشكل المزيد من التفاعلات التي كان من المستحيل تشكيلها في بنية AlphaFold الأولية.
تشير هذه النتائج إلى أن DynamicBind يتفوق باستمرار على طرق الإرساء التقليدية وطرق الإرساء الصلبة القائمة على التعلم العميق، ويظهر النموذج إمكانات كبيرة في تطبيقات الفحص الافتراضي على مستوى البروتوم بسبب قدراته على التنبؤ بتقارب الارتباط.
فك شفرة البنية المعقدة ووظيفة البروتينات للمساهمة في اكتشاف الأدوية الذكية
استنادًا إلى التنبؤ بالهيكل الثابت لـ AlphaFold، يقدم نموذج DynamicBind بشكل مبتكر تقنية الذكاء الاصطناعي التوليدية، مما يحل بنجاح تحدي التنبؤ بالهيكل المعقد الديناميكي. إن التنبؤ بالتغيرات الديناميكية في بنية البروتين له أهمية كبيرة لفهم العمليات الحيوية وتطوير أدوية جديدة. وخاصة في تطوير الأدوية باستخدام الذكاء الاصطناعي، فإنه يمكن أن يحسن بشكل كبير دقة وفعالية الفحص السريري للأدوية باستخدام الذكاء الاصطناعي.
باعتبارها أحد المشاركين الرئيسيين في نتيجة هذا البحث، شاركت مجموعة أبحاث Zheng Shuangjia منذ فترة طويلة في الأبحاث الحدودية المتقاطعة للذكاء الاصطناعي التوليدي وتطوير الأدوية، وحققت نتائج مثمرة.
في 21 يونيو 2024، اقترحت مجموعة البحث التابعة لـ Zheng Shuangjia طريقة تعلم متعددة الوسائط تستخدم صور مجهرية للخلايا عالية المحتوى المضطربة على المستوى الظاهري للمساعدة في تعلم التمثيل الجزيئي.يمكن أن يعمل هذا النهج على بناء جسر فعال بين الجزيئات والتوصيف، وهو أمر ذو أهمية كبيرة لتطوير الأدوية. نُشر البحث ذو الصلة في مجلة Advanced Science تحت عنوان "التعلم التبايني عبر الرسوم البيانية باستخدام الصور الخلوية".
عنوان الورقة:
https://onlinelibrary.wiley.com/doi/10.1002/advs.202404845
في 25 مايو 2024، اقترحت مجموعة البحث التابعة لـ Zheng Shuangjia إطار التعلم متعدد المقاييس MUSE، والذي يدمج بشكل فعال المعلومات متعددة المقاييس بين البنية الذرية ومقاييس الشبكة الجزيئية.يوضح إمكانية توسيع اكتشاف الأدوية الحاسوبية إلى مقاييس أخرى. نُشر البحث ذو الصلة في مجلة Nature Communications تحت عنوان "إطار التوقعات التعظيمية المتغيرة للتعلم المتوازن متعدد المقاييس للتفاعلات بين البروتينات والأدوية".
عنوان الورقة:
https://www.nature.com/articles/s41467-024-48801-4
في 15 سبتمبر 2022، طورت مجموعة البحث التابعة لـ Zheng Shuangjia خوارزمية تصميم دوائية ذكية توليدية للأهداف التي يصعب تصنيعها دوائيًا وصممت مركبات PROTAC الرائدة في فترة زمنية قصيرة.وقد تم التحقق من ذلك من خلال التجارب على الحيوانات، مما يدل على الإمكانات الهائلة لدمج تكنولوجيا المعلومات والتكنولوجيا الحيوية. حصلت هذه السلسلة من النتائج على استشهادات وتقييمات إيجابية من مجموعات بحثية رائدة في هذا المجال، بما في ذلك فريق Google DeepMind AlphaFold وفريق البروفيسور ديفيد بيكر في جامعة واشنطن. نُشر البحث ذو الصلة في مجلة Nature Machine Intelligence تحت عنوان "تصميم PROTAC العقلاني المتسارع عبر التعلم العميق والمحاكاة الجزيئية".
عنوان الورقة:
https://www.nature.com/articles/s42256-022-00527-y
في 14 فبراير 2020، اقترحت مجموعة البحث التابعة لـ Zheng Shuangjia نظامًا شبه مرئي للإجابة على الأسئلة يعتمد على إطار عمل التعلم العميق الشامل.لتحديد التفاعل بين الأدوية والبروتينات، فإنه يسهل بشكل فعال اكتشاف الأدوية. نُشر البحث ذو الصلة في مجلة Nature Machine Intelligence تحت عنوان "التنبؤ بتفاعل الدواء والبروتين باستخدام نظام الإجابة على الأسئلة شبه المرئية".
عنوان الورقة:
https://www.nature.com/articles/s42256-020-0152-y
استناداً إلى فهمهم للأبحاث الحدودية المتقاطعة حول الذكاء الاصطناعي التوليدي وتطوير الأدوية، تركز مجموعة أبحاث Zheng Shuangjia على التصميم الذكي للأدوية للأمراض المرتبطة بالتمثيل الغذائي والشيخوخة، وإنشاء نموذج جديد لتطوير الأدوية يدمج تكنولوجيا المعلومات والتكنولوجيا الحيوية، ويلتزم بالمساهمة بشكل أكبر في اكتشاف الأدوية الذكية الشاملة.
مراجع: