TACTIVS: Test-time actives induction for flexible target-specific virtual screening
TACTIVS ist ein Test-Time-Active-Induction-Framework, das ein vortrainiertes molekulares Fundamentmodell nutzt, um durch die Kombination von labelfreier Kalibrierung und konnektivitätsgewichteter Graphpropagation ein flexibles, zielspezifisches virtuelles Screening durchzuführen, wobei eine kompetitive Anreicherung erzielt wird, ohne dass eine Modell-Feinabstimmung erforderlich ist, selbst wenn die Abfrage- und Support-Aktiva zu unterschiedlichen chemischen Serien gehören.
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 den frühen Phasen der Entdeckung eines neuen Medikaments stehen Wissenschaftler vor einem Problem, bei dem man die Nadel im Heuhaufen suchen muss. Sie müssen riesige Bibliotheken mit Millionen von chemischen Verbindungen durchforsten, um jene Handvoll zu finden, die ein bestimmtes Krankheitsziel erfolgreich binden und dessen schädliche Wirkung stoppen könnten. Traditionell haben Forscher sich auf zwei Hauptstrategien verlassen, um diese Suche einzugrenzen. Ein Ansatz betrachtet die physische Form des Ziels, wie ein Schloss, und versucht, einen passenden Schlüssel zu finden. Der andere betrachtet bekannte funktionierende Schlüssel – Moleküle, die bereits nachgewiesen haben, dass sie das Ziel aktivieren – und sucht nach anderen, die ähnlich aussehen. Während die erste Methode detaillierte 3D-Karten des Ziels erfordert, setzt die zweite voraus, dass mindestens ein funktionierendes Beispiel vorhanden ist. Die Herausforderung entsteht, wenn Wissenschaftler nur sehr wenige Beispiele haben, vielleicht nur ein einziges bestätigtes aktives Molekül, und mehr finden müssen, ohne Zeit mit Millionen von Sackgassen zu verschwenden.
Ein Forschungsteam der University of Edinburgh, des Karolinska Institutet und des Imperial College London hat eine neue Methode namens TACTIVS entwickelt, um genau dieses Problem zu lösen. Anstatt zu versuchen, ein komplexes Computermodell jedes Mal neu zu trainieren, wenn ein neues aktives Molekül entdeckt wird – was normalerweise eine große Menge an Daten erfordert –, arbeitet TACTIVS, indem es die Art und Weise, wie der Computer die gesamte chemische Bibliothek betrachtet, sofort reorganisiert. Das System nimmt ein eingefrorenes, vortrainiertes Verständnis molekularer Formen und nutzt die wenigen bekannten aktiven Moleküle, um die Suche unmittelbar umzugestalten. Es tut dies, indem es eine Karte erstellt, auf der die bekannten aktiven Moleküle als Leuchtfeuer fungieren. Das System zeichnet dann Pfade durch die Bibliothek nach, wobei es nicht nur nach Molekülen sucht, die exakt wie die Leuchtfeuer aussehen, sondern auch nach solchen, die durch eine Kette chemischer Ähnlichkeiten mit ihnen verbunden sind. Dies ermöglicht es dem System, vielversprechende Kandidaten zu finden, die zwar ganz anders aussehen mögen als die Ausgangsexemplare, aber dennoch zur selben funktionellen Familie gehören.
Die Forscher testeten diesen Ansatz an mehreren großen, standardisierten Datensätzen, die zur Bewertung der Leistung virtueller Screenings verwendet werden. In einem Test, der fast 150 verschiedene biologische Ziele umfasste, war die neue Methode in der Lage, aktive Moleküle weitaus effektiver zu identifizieren als bestehende Techniken, wenn ihr nur ein einziges bekanntes aktives Molekül zur Verfügung stand. Als das Team die Anzahl der bekannten aktiven Beispiele auf zehn erhöhte, verbesserte sich die Fähigkeit der Methode, die richtigen Verbindungen zu finden, signifikant und übertraf sowohl traditionelle Form-Matching-Werkzeuge als als auch andere fortgeschrittene lernbasierte Systeme. Entscheidend war, dass die Methode bewies, dass sie aktive Moleküle selbst dann finden kann, wenn diese sich chemisch deutlich von den Ausgangsexemplaren unterscheiden. In einem strengen Test, bei dem die bekannten aktiven Moleküle und die Zielverbindungen aus völlig unterschiedlichen chemischen Familien stammten, gelang es dem System dennoch, die korrekten Verbindungen viel höher einzustufen, als es der Zufall erlaubt hätte. Dies deutet darauf hin, dass die Methode nicht bloß enge Kopien der Ausgangsmoleküle findet, sondern erfolgreich die breitere chemische Landschaft navigiert, um neue Arten von wirksamen Medikamenten zu finden.
Der Kern dieses Erfolgs liegt darin, wie das System mit den Daten umgeht. Anstatt die internen Einstellungen des Computermodells anzupassen, um es an das neue Ziel anzupassen – was bei sehr wenig Daten instabil sein kann –, passten die Forscher die Art und Weise an, wie die Daten gemessen werden. Sie wandten eine mathematische Transformation an, die Hintergrundrauschen entfernt und die spezifischen Unterschiede hervorhebt, die für die aktuelle Suche relevant sind. Dies ermöglicht es dem System, die Beziehungen zwischen den Molekülen klarer zu sehen. Durch die Kombination eines direkten Vergleichs mit den bekannten aktiven Molekülen und einer breiteren Analyse der Verbindungen zwischen den Molekülen innerhalb der Bibliothek erstellt das System ein Ranking, das sich mit zunehmender Verfügbarkeit von Informationen weiterentwickelt. Wenn ein Wissenschaftler während eines Experiments eine neue aktive Verbindung entdeckt, kann er diese einfach der Liste hinzufügen, und das System berechnet die Rangfolgen sofort neu, ohne neu trainiert werden zu müssen.
Diese Arbeit zeigt, dass der Wert eines einzelnen experimentellen Ergebnisses dadurch maximiert werden kann, dass man es nutzt, um eine flexible, bibliotheksweite Suche zu steuern. Die Ergebnisse legen nahe, dass für viele Arzneimittelentwicklungskampagnen, insbesondere dort, wo Daten knapp sind, die effektivste Strategie nicht darin besteht, ein neues Modell für jedes Ziel zu bauen, sondern ein gemeinsames, robustes Verständnis der Chemie zu nutzen und die Suchstrategie während des Prozesses anzupassen. Die Forscher fanden heraus, dass sich die Qualität der Suche stetig verbesserte, wenn mehr aktive Moleküle zum Referenzsatz hinzugefügt wurden, was bestätigte, dass die Methode aus den kumulierenden Belegen lernt. Indem sie bewiesen, dass ein System unveränderlich bleiben kann, während sich die Suchstrategie an neue Ziele anpasst, bietet dieser Ansatz einen praktischen und effizienten Weg zur Identifizierung neuer Medikamente in den frühen, datenarmen Phasen der Entdeckung.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.