Obat-obatan hanya dapat bekerja, jika mereka menempel pada protein targetnya di dalam tubuh.
Menilai bahwa keterikatan adalah rintangan utama dalam proses penemuan dan penyaringan obat, penelitian baru yang menggabungkan kimia dan pembelajaran mesin dapat mengatasi rintangan itu.
Teknik baru ini, yang disebut DeepBAR, dapat dengan cepat menghitung keterikatan antara kandidat obat dan targetnya. Pendekatan ini menghasilkan perhitungan yang tepat dalam waktu yang lebih singkat dibandingkan dengan metode sebelumnya.
Para peneliti percaya DeepBAR suatu hari nanti dapat mempercepat laju penemuan obat dan rekayasa protein.
"Metode kami lebih cepat dari sebelumnya, artinya kami dapat menemukan obat yang efisien dan andal," kata rekan penulis studi Bin Zhang yang juga merupakan Profesor Pengembangan Karir Pfizer-Laubach di bidang kimia di MIT. (16/3/2021).
Penulis utama studi tersebut, yang muncul di Journal of Physical Chemistry Letters, adalah Xinqiang Ding, seorang peneliti postdoc di Department of Chemistry di MIT.
Afinitas antara molekul obat dan protein target diukur dengan kuantitas yang disebut energi bebas pengikat; semakin kecil angkanya, semakin lengket ikatannya.
"Pengikatan energi bebas yang lebih rendah berarti obat tersebut dapat bersaing lebih baik dengan molekul lain, yang berarti dapat mengganggu fungsi normal protein secara lebih efektif," kata Zhang.
Menghitung energi bebas pengikat calon obat memberikan indikator keefektifan potensial obat tersebut. Namun, itu angka yang sulit ditentukan.
Metode untuk menghitung energi bebas pengikat terbagi dalam dua kategori besar, masing-masing dengan kekurangannya sendiri.
Satu kategori menghitung kuantitas dengan tepat, menghabiskan banyak waktu dan sumber daya komputasi. Kategori kedua tidak mahal secara komputasi, tetapi hanya memberikan perkiraan energi bebas pengikatan.
Dalam kasus ini, Zhang dan Ding merancang pendekatan untuk mendapatkan yang terbaik dari kedua kategori tersebut.
Tepat dan efisien
DeepBAR menghitung energi bebas ikatan dengan tepat, tetapi hanya membutuhkan sebagian kecil dari perhitungan yang diperlukan oleh metode sebelumnya. Teknik baru ini menggabungkan komputasi kimia tradisional dengan kemajuan terbaru dalam Pembelajaran Mesin.
"BAR" di DeepBAR adalah singkatan dari "Rasio penerimaan Bennett." Ini adalah algoritma berusia puluhan tahun yang digunakan dalam kalkulasi untuk mengikat energi bebas.
Menggunakan rasio ini biasanya membutuhkan pengetahuan tentang dua keadaan "titik akhir" (misalnya, molekul obat yang terikat pada protein dan molekul obat yang benar-benar terpisah dari protein), ditambah pengetahuan tentang banyak keadaan antara (misalnya, tingkat pengikatan parsial yang berbeda) . Semua itu secara tidak langsung memperlambat kecepatan kalkulasi.
DeepBAR memotong hambatan ini dengan mengimplementasikan rasio-rasio ini dalam kerangka kerja Machine Learning yang disebut model Deep Generative.
"Model ini membuat status referensi untuk setiap titik akhir, status terikat, dan status tidak terikat," kata Zhang.
Kedua status tersebut sangat mirip, sehingga rasio penerimaan Bennett dapat langsung digunakan tanpa semua langkah perantara yang mahal.
Situs Internet Bola Tangkas | BolaTangkas Android | Agen Bola Tangkas | Tangkas Dia
0 Comments