Benchmarking open-source tools for in silico antiviral drug discovery
Dieser Artikel plädiert für verstärkte Investitionen in die Entdeckung antiviraler Wirkstoffe, indem er eine umfassende Übersicht über Open-Source-Tools, einen kuratierten Datensatz von 43.005 viralen Protein-Ligand-Wechselwirkungen und einen Benchmark von 15 KI-basierten Modellen vorstellt, der die überlegene Leistung feinabgestimmter maschineller Lernansätze wie Boltz-2 und DrugFormDTA bei der Vorhersage von Bindungsaffinitäten nachweist.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Das große Ganze: Ein Rennen gegen ein Virus
Stellen Sie sich vor, ein neues Virus klopft an die Tür. Die Autoren dieses Papiers argumentieren, dass Impfstoffe zwar großartig sind, aber Zeit benötigen, um entwickelt zu werden, und nicht für jeden wirken. Antivirale Medikamente sind die „Feuerlöscher", die wir jetzt brauchen. Sie können schnell eingesetzt werden, insbesondere wenn wir bestehende Medikamente finden, die bereits gegen andere Viren wirken und diese einfach für das neue Virus verwenden (ein Prozess, der als Drug Repurposing oder Wiederverwendung von Arzneimitteln bezeichnet wird).
Es gibt jedoch ein Problem: Wir haben keine gute Karte darüber, welche Medikamente gegen welche Viren wirken. Dieses Papier ist ein Versuch, diese Karte mit Hilfe von Computern zu erstellen.
Das Problem: Eine chaotische Bibliothek
Um einem Computer beizubringen, vorherzusagen, ob ein Medikament ein Virus abtötet, benötigen Sie eine riesige Bibliothek an Daten: „Medikament X passt in Virusprotein Y."
Die Autoren gingen zur größten verfügbaren Bibliothek, BindingDB, um diese Daten zu erhalten. Doch sie stellten fest, dass die Bibliothek ein Desaster war.
- Das „Polyprotein"-Rätsel: Viele Viren (wie SARS-CoV-2) schreiben ihre Anweisungen als einen einzigen, riesigen, langen Textstring (ein Polyprotein), der in kleinere, funktionale Stücke geschnitten werden muss. Die Bibliothek enthielt Tausende von Einträgen, bei denen die Daten an den ganzen riesigen String angehängt waren, statt an das spezifische geschnittene Stück (das eigentliche Ziel).
- Die Lösung: Die Autoren agierten wie Bibliothekare, die ein Chaos aufräumen. Sie schnitten diese riesigen Strings manuell (und mit Hilfe von KI) in die richtigen Stücke. Sie stellten fest, dass 31 % der viralen Daten unbrauchbar waren, bis sie diesen „Schnitt" durchgeführt hatten. Einmal bereinigt, verfügten sie über einen hochwertigen Datensatz von 43.005 Medikamenten-Protein-Interaktionen.
Der Test: Ein Rennen zwischen Werkzeugen
Sobald sie ihre sauberen Daten hatten, wollten sie sehen, welche Computerwerkzeuge am besten darin waren, vorherzusagen, ob ein Medikament an ein Virus bindet. Sie veranstalteten ein Rennen mit 15 verschiedenen Open-Source-Tools (kostenloser Software, die jeder nutzen kann).
Stellen Sie sich diese Werkzeuge als verschiedene Arten von Detektiven vor, die versuchen, ein Rätsel zu lösen:
- Die Docking-Detektive: Diese Werkzeuge versuchen physikalisch zu simulieren, wie ein Medikamentenmolekül in ein Virusprotein passt, wie der Versuch, einen Schlüssel in ein Schloss zu stecken. Sie nutzen Physik und Geometrie.
- Der Gewinner: GNINA war hier am besten. Es ist wie ein Detektiv mit einem sehr guten 3D-Modell des Schlosses.
- Die KI-Prädiktoren: Diese Werkzeuge nutzen maschinelles Lernen (KI), um Muster zu erkennen. Sie erstellen nicht unbedingt ein 3D-Modell; sie betrachten einfach die „Form" der Daten und raten.
- Die Gewinner: Boltz-2 und DrugFormDTA waren hier am besten.
- Die Überraschung: Die Autoren nahmen ihre eigenen bereinigten Daten und nutzten sie, um das DrugFormDTA-Modell zu „trainieren" (zu unterrichten). Das war so, als würde man dem Detektiv einen spezifischen Lernleitfaden für dieses Virus geben. Das Ergebnis? Das Modell wurde viel schlauer und sprang von einem Korrelationswert von 0,5 (ein Münzwurf) auf 0,7 (eine starke Vorhersage).
Die Ergebnisse: Keine einzelne „Wunderwaffe"
Das Papier testete diese Werkzeuge an 853 verschiedenen Medikamenten über 10 verschiedene Viren.
- Das Fazit: Es gibt kein einzelnes Werkzeug, das jedes Mal gewinnt.
- Boltz-2 war hervorragend darin vorherzusagen, wie Medikamente an HIV binden, hatte aber Schwierigkeiten mit SARS-CoV-2 (wahrscheinlich, weil das oben erwähnte „Polyprotein"-Chaos es verwirrte).
- GNINA (das Docking-Werkzeug) war sehr konsistent, aber langsamer.
- DrugFormDTA (das KI-Werkzeug) wurde zum Champion, nachdem es mit den spezifischen, bereinigten Daten der Autoren trainiert worden war.
Das von ihnen erstellte Werkzeugset
Über das reine Testen von Werkzeugen hinaus stellten die Autoren einige Ressourcen für andere Wissenschaftler zur Verfügung:
- Ein bereinigter Datensatz: Eine kuratierte Liste von über 43.000 viralen Medikamenten-Interaktionen, repariert und einsatzbereit.
- Eine Medikamentenbibliothek: Eine Liste zugelassener Medikamente, sicherer natürlicher Verbindungen und untersuchter antiviraler Wirkstoffe.
- Ein Dashboard: Eine Website (
antivirals-database.radvac.org), auf der Menschen diese Medikamente nachschlagen können.
Was sie nicht sagten
Es ist wichtig, bei dem zu bleiben, was das Papier tatsächlich behauptet:
- Sie haben nicht eine neue Heilung für ein Virus entdeckt.
- Sie haben diese Medikamente in dieser Studie nicht an Menschen oder Tieren getestet.
- Sie haben nicht behauptet, dass ein bestimmtes Werkzeug in Zukunft perfekt ist.
- Sie zeigten einfach, dass das Bereinigen der Daten die Computer besser arbeiten lässt und dass verschiedene Werkzeuge unterschiedliche Stärken haben, je nach spezifischem Virus.
Zusammenfassende Analogie
Stellen Sie sich vor, Sie versuchen vorherzusagen, welche Schlüssel welche Schlösser in einem riesigen, chaotischen Lagerhaus öffnen.
- Der alte Weg: Sie greifen sich einen Haufen Schlüssel und Schlösser aus dem Lagerhaus, aber viele Schlösser sind noch in riesigen Bündeln zusammengeklebt. Sie versuchen zu erraten, welcher Schlüssel passt, scheitern aber ständig, weil die Schlösser die falsche Größe haben.
- Die Arbeit dieses Papiers: Die Autoren gingen hinein, schnitten alle Bündel auf und organisierten die Schlösser korrekt.
- Das Experiment: Sie gaben diesen organisierten Haufen 15 verschiedenen „Ratmaschinen" (einige nutzen Physik, andere KI).
- Das Ergebnis: Sie stellten fest, dass die KI-Maschine am schnellsten lernte, wenn sie mit ihrem neu organisierten Haufen unterrichtet wurde. Sie stellten auch fest, dass die beste Maschine für eine Art von Schloss (HIV) nicht unbedingt die beste für eine andere war (Coronavirus).
Das Papier kommt zu dem Schluss, dass wir, wenn wir auf die nächste Pandemie vorbereitet sein wollen, in eine bessere Datenbereinigung und bessere Computerwerkzeuge investieren müssen, um diese „Schlüssel" schneller zu finden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.