PharmCast: rapid generation of three-dimensional pharmacophore fingerprints from two-dimensional structure without conformer generation
PharmCast ist ein Feedforward-Neuronales-Netzwerk, das schnell und präzise 3D-Pharmakophor-Fingerprints direkt aus 2D-SMILES-Strings vorhersagt, ohne dass eine Konformergenerierung erforderlich ist, was ein effizientes virtuelles Screening und Scaffold-Hopping zu einem Bruchteil der Rechenkosten herkömmlicher Methoden ermöglicht.
Originalarbeit lizenziert unter CC BY 4.0 (https://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
In der Welt der Wirkstoffforschung betrachten Wissenschaftler ein Medikament oft nicht als starres Objekt, sondern als einen Satz von Merkmalen, die darauf warten, erkannt zu werden. Stellen Sie sich einen Schlüssel vor, der nicht wie ein spezifisches Schloss aussehen muss, sondern lediglich die richtigen Unebenheiten und Rillen besitzen muss, um in den Mechanismus zu passen. Diese Idee, bekannt als Pharmakophor, legt nahe, dass die Fähigkeit eines Moleküls, an ein biologisches Ziel zu binden, von einer kleinen Sammlung chemischer Merkmale abhängt – wie etwa einem Wasserstoffbrücken-Donator, einem Akzeptor oder einem aromatischen Ring –, die in einem spezifischen dreidimensionalen Muster angeordnet sind. Seit Jahrzehnten nutzen Forscher dieses Konzept, um neue Medikamente zu finden, indem sie nach Verbindungen suchen, die diese räumlichen Muster teilen, selbst wenn ihre zugrunde liegenden chemischen Gerüste völlig unterschiedlich aussehen. Diese Fähigkeit, Ähnlichkeiten zwischen un verwandten Strukturen zu erkennen, ein Prozess namens Scaffold Hopping, ist entscheidend für das Finden neuer Behandlungen, wenn die offensichtlichen chemischen Wege bereits ausgeschöpft sind.
Das Verwenden dieser dreidimensionalen Karte war jedoch schon immer ein langsamer und teurer Prozess. Da Moleküle flexibel sind und sich in viele verschiedene Formen drehen können, muss ein Computer hunderte möglicher 3D-Versionen, oder Konformere, für jedes einzelne Molekül generieren, um zu sehen, welche Merkmale es präsentieren kann. Dieser Schritt der Formgenerierung nimmt fast die gesamte Zeit in Anspruch, die für die Analyse einer Verbindung benötigt wird, was es unpraktisch macht, die Millionen von Molekülen in modernen chemischen Bibliotheken zu screenen. Das Ergebnis war, dass diese leistungsstarke Methode zur Suche nach neuen Medikamenten auf kleine, sorgfältig kuratierte Listen beschränkt blieb und nicht in der Lage war, die riesigen Ozeane der verfügbaren Chemie zu bewältigen.
Ein Team von Forschern hat nun einen Weg entwickelt, diesen Engpass vollständig zu umgehen. Sie haben ein System namens PharmCast entwickelt, das als direkter Übersetzer von der flachen, zweidimensionalen Zeichnung eines Moleküls zu seinem dreidimensionalen Potenzial fungiert. Anstatt Stunden damit zu verbringen, jede mögliche Drehung und Wendung zu berechnen, die ein Molekül vollziehen könnte, nutzt diese neue Methode eine Art künstliche Intelligenz, um das Endergebnis sofort vorherzusagen. Das System wurde mit fast sechs Millionen Molekülen trainiert, darunter Standard-Arzneistoffe, aktive biologische Moleküle und flexible Protein-Loops, wobei es lernte, die Verbindung zwischen der Grundstruktur eines Moleküls und den 3D-Merkmalen, die es anzeigen kann, zu erkennen.
Die Ergebnisse zeigen, dass dieser Abkürzung nicht die Genauigkeit für die Geschwindigkeit geopfert wird. Bei Tests gegen die traditionelle, langsame Methode lieferte das neue System für die überwiegende Mehrheit der Verbindungen nahezu identische Ergebnisse. Für ein typisches arzneistoffähnliches Molekül benötigt der traditionelle Ansatz fast drei Sekunden, um einen einzelnen Fingerabdruck zu generieren, wobei der Großteil dieser Zeit allein für die Erstellung der 3D-Formen aufgewendet wird. Das neue System schließt dieselbe Aufgabe in weniger als einer Millisekunde ab. Dies stellt eine Beschleunigung um Tausende von Malen dar und verwandelt einen Prozess, der Monate laufen würde, um eine massive Bibliothek zu bearbeiten, in einen, der in Minuten erledigt werden kann.
Die Forscher testeten dieses Werkzeug an drei verschiedenen Gruppen von Molekülen, um sicherzustellen, dass es über verschiedene Arten der Chemie hinweg funktioniert. Sie evaluierten Standard-Screening-Verbindungen, aktive biologische Moleküle, die im Labor getestet wurden, und flexible Protein-Loops, die als besonders schwierig zu modellieren gelten. In jedem Fall entsprachen die Vorhersagen den langsamen, traditionellen Berechnungen mit hoher Treue. Für die Standard-Arzneistoffe war der Fehler so gering, dass er kaum merkbar war, und bei den flexiblen Protein-Loops schnitt das System sogar noch besser ab, wahrscheinlich weil diese Loops in den Trainingsdaten enthalten waren. Der einzige Bereich, in dem das System etwas mehr Variation zeigte, waren große, komplexe biologische Moleküle, die im Trainingsdatensatz nicht gut repräsentiert waren – eine Einschränkung, die die Autoren auf die verfügbare Chemie für das Lernen und nicht auf einen Fehler der Methode zurückführen.
Eines der bedeutendsten Ergebnisse ist, dass das System erfolgreich Ähnlichkeiten zwischen Molekülen identifiziert, die auf dem Papier völlig verschieden aussehen. In einem Testfall mit zwei unterschiedlichen HIV-Medikamenten mit völlig verschiedenen chemischen Strukturen identifizierte das System korrekt, dass sie demselben Ziel gegenüber dieselben dreidimensionalen Merkmale präsentieren – eine Leistung, die die traditionellen 2D-Methoden übersah. Dies bestätigt, dass das Werkzeug tatsächlich das räumliche Wesen des Moleküls erfasst und nicht nur dessen chemische Form auswendig lernt. Die Forscher demonstrierten diese Fähigkeit, indem sie das System nutzten, um eine Bibliothek von über vier Millionen Verbindungen gegen ein Referenzmolekül zu scannen, eine Aufgabe, die weniger als eine halbe Stunde dauerte. Die Top-Treffer enthielten Verbindungen mit sehr unterschiedlichen Strukturen, aber demselben Bindungspotenzial, was beweist, dass das System effektiv die Suche nach neuen chemischen Ausgangspunkten leiten kann.
Die Autoren betonen, dass dieses Werkzeug zwar unglaublich schnell ist, es aber darauf ausgelegt ist, neben den langsameren, detaillierteren Berechnungen zu arbeiten und diese nicht zu ersetzen. In einem realen Szenario würde das schnelle System dazu verwendet werden, Millionen von Kandidaten zu ranken und die Liste auf die vielversprechendsten wenigen zu reduzieren. Diese Top-Kandidaten würden dann mit der traditionellen, langsameren Methode analysiert werden, um die exakte Geometrie zu bestätigen und sicherzustellen, dass die Vorhersage Bestand hat. Dieser zweistufige Ansatz ermöglicht es Wissenschaftlern, die volle Breite des chemischen Raums zu erkunden, ohne durch die Rechenkosten ausgebremst zu werden, während sie gleichzeitig die strengen Standards einhalten, die für die Arzneimittelentwicklung erforderlich sind. Durch das Entfernen der Barriere der Zeit öffnet diese Arbeit die Tür, um das dreidimensionale Denken auf das gesamte Universum der verfügbaren Chemie anzuwenden, was potenziell die Entdeckung neuer Medikamente für Krankheiten beschleunigen kann, für die es derzeit nur wenige Optionen gibt.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.