Wetenschappers van de Universiteit van Californië, San Francisco (UCSF) hebben een nieuwe methode ontwikkeld die snel en nauwkeurig kan voorspellen hoe kleine moleculen interageren met eiwitten. Dit zou het proces van de ontdekking van geneesmiddelen, dat momenteel een tijdrovend en duur proces is, aanzienlijk kunnen versnellen.

De nieuwe methode, genaamd "in silico eiwit-ligand interactie profilering" (iPlip), maakt gebruik van machinaal leren om grote datasets met experimentele gegevens te analyseren. Deze gegevens worden vervolgens gebruikt om een ​​computermodel te trainen dat kan voorspellen hoe waarschijnlijk het is dat een klein molecuul zich aan een bepaald eiwit zal binden.

De onderzoekers testten iPlip op verschillende eiwitten en kleine moleculen, en de resultaten waren veelbelovend. iPlip kon de bindingsaffiniteit van kleine moleculen voor 90% van de geteste eiwitten nauwkeurig voorspellen. Dit nauwkeurigheidsniveau zou het aantal experimenten dat moet worden uitgevoerd tijdens het ontdekkingsproces van geneesmiddelen aanzienlijk verminderen.

Naast de snelheid en nauwkeurigheid is iPlip ook relatief goedkoop in gebruik. Dit zou het een waardevol instrument kunnen maken voor kleine biotechbedrijven en academische onderzoekers die niet over de middelen beschikken om grootschalige experimentele onderzoeken uit te voeren.

"iPlip heeft het potentieel om een ​​revolutie teweeg te brengen in de manier waarop we medicijnen ontdekken", zegt onderzoeksleider professor Brian Shoichet. "Het zou het proces van de ontdekking van medicijnen aanzienlijk kunnen versnellen en het betaalbaarder kunnen maken voor kleine bedrijven en academische onderzoekers."

De studie werd gepubliceerd in het tijdschrift Nature Communications.

Hoe iPlip werkt

iPlip maakt gebruik van machine learning om grote datasets met experimentele gegevens te analyseren. Deze gegevens worden vervolgens gebruikt om een ​​computermodel te trainen dat kan voorspellen hoe waarschijnlijk het is dat een klein molecuul zich aan een bepaald eiwit zal binden.

Het machine learning-model is getraind op een verscheidenheid aan kenmerken, waaronder de chemische structuur van het kleine molecuul, de sequentie van het eiwit en de experimentele gegevens over hoe het kleine molecuul aan het eiwit bindt.

Zodra het model is getraind, kan het worden gebruikt om te voorspellen hoe waarschijnlijk het is dat een nieuw klein molecuul zich aan een bepaald eiwit zal binden. Deze informatie kan vervolgens worden gebruikt om het ontdekkingsproces van geneesmiddelen te begeleiden, door onderzoekers te helpen de meest veelbelovende kleine moleculen te selecteren voor verder testen.

Toepassingen van iPlip

iPlip zou een aanzienlijke impact kunnen hebben op het geneesmiddelenontdekkingsproces. Het zou het proces van het vinden van nieuwe medicijnen kunnen versnellen en het betaalbaarder kunnen maken voor kleine bedrijven en academische onderzoekers.

iPlip kan ook worden gebruikt om nieuwe doelen voor de ontdekking van geneesmiddelen te identificeren. Door eiwitten te identificeren die betrokken zijn bij ziekten, zou iPlip onderzoekers kunnen helpen medicijnen te ontwikkelen die zich op deze eiwitten richten.

Naast de ontdekking van geneesmiddelen zou iPlip ook kunnen worden gebruikt in andere onderzoeksgebieden, zoals het begrijpen van hoe eiwitten met elkaar interageren en hoe kleine moleculen cellulaire processen beïnvloeden.