掌握▪新創動態
《國際要聞》機器學習提供蛋白質相互結合數據加速蛋白質療法設計效率
2023-05-19

※瑞士洛桑聯邦理工學院建立能夠掃描數百萬計的蛋白質片段評估其結構以及與其它蛋白質結合特性的機器學習方法。(Photo credit: EPFL)

瑞士洛桑聯邦理工學院(Ecole Polytechnique Fédérale de Lausanne, EPFL)的研究團隊建立以機器學習方式來掃描數以百萬計的蛋白質片段並評估其結構和結合特性。基於蛋白質的表面化學和幾何形狀,所開發的軟體可以為每個蛋白質確定「指紋」,並預測它們可能如何與各種蛋白質片段結合。研究團隊現在已經用他們的方法設計了新的蛋白質結合劑,這些結合劑是專門為結合具有治療意義的蛋白質而創造的,如: SARS-CoV-2的棘蛋白。這項技術可以讓研究團隊非常迅速地創建一系列治療性蛋白質,這在時間至關重要的情況下可能特別有用,例如未來的大流行疾病。

眾多因素影響著蛋白質如何以及是否會互相結合,使得僅用人腦就很難預測。然而,確定能夠與體內治療性蛋白質目標相互作用的蛋白質片段,可以在治療各種疾病方面產生巨大的臨床收益。值得慶幸的是,電腦能夠很好地適應那些涉及令人頭痛的大量詳細數據和複雜的排列組合任務。這種最新的方法涉及深度學習,它可以評估影響結合的不同因素之間的微妙相互作用。

「一塊拼圖是2D的,但對於蛋白質的表面,我們關注是多個維度的資訊,如: 化學成分、正負電荷的交互作用、形狀的互補性以及曲率等等。自然界的一切結合都是互補的,這一個想法存在很久,而我們在我們的電腦計算框架中捕捉到了這一點。」參與這項研究的Anthony Marchand說道。

到目前為止,研究團隊已經用他們的系統創建了一系列的蛋白質結合劑,可以附著在治療標的上,包含: SARS-CoV-2的棘蛋白。這涉及到使用他們的深度學習方法來創建蛋白質指紋,然後比對蛋白質片段數據庫,找到那些被預測能跟這些蛋白質很好結合的片段。然後他們測試了具有最佳預測結合活性的片段實際結合其目標的潛力,首先透過數位模擬,最後在實驗室中合成片段。

「我們能夠在短短幾個月內設計出新穎的並具點位特異性的蛋白質結合物,使這種方法對治療方針變得非常有趣。它不僅僅是一個工具,更是一個管道。機器學習方法的進一步發展將有助於改進我們的方法,但我們的成果已經提供了一種新的戰略,透過快速設計基於蛋白質的治療方法來開創新療法,直接從電腦計算中獲取資訊,使患者受益」Anthony Marchand繼續說道。

(來源:Medgadget 生策中心編譯)

本網站中所有資料(包括影音.文字.圖表.數據等) ,均屬於本中心或各該新創企業團隊之專屬財產,如有引用,請確實註明出處來源。 <完整資訊>
財團法人生技醫療科技政策研究中心 版權所有
Copyright © 2012 - 2024 Research Center for Biotechnology and Medicine Policy (RBMP). All Rights Reserved