PharmCast: rapid generation of three-dimensional pharmacophore fingerprints from two-dimensional structure without conformer generation
PharmCast is een feedforward neuraal netwerk dat snel en nauwkeurig 3D-farmacofoor vingerafdrukken voorspelt direct vanuit 2D SMILES-strings zonder confoormgeneratie, wat efficiënte virtuele screening en scaffold hopping mogelijk maakt tegen een fractie van de computationele kosten van traditionele methoden.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
In de wereld van de medicijnontwikkeling beschouwen wetenschappers een medicijn vaak niet als een star object, maar als een set kenmerken die wachten om herkend te worden. Stel je een sleutel voor die niet op een specifiek slot hoeft te lijken, maar simpelweg de juiste bobbels en groeven moet hebben om in het mechanisme te passen. Dit idee, bekend als het farmacofoor, suggereert dat het vermogen van een molecuul om aan een biologisch doelwit te binden afhangt van een kleine collectie chemische kenmerken — zoals een waterstofbrugdonor, een acceptor of een aromatische ring — gerangschikt in een specifiek driedimensionaal patroon. Decennialang hebben onderzoekers dit concept gebruikt om nieuwe medicijnen te vinden, waarbij ze zoeken naar verbindingen die deze ruimtelijke patronen delen, zelfs als hun onderliggende chemische skeletten er totaal verschillend uitzien. Dit vermogen om gelijkenissen te spotten tussen ongerelateerde structuren, een proces dat 'scaffold hopping' wordt genoemd, is cruciaal voor het vinden van nieuwe behandelingen wanneer de voor de hand liggende chemische paden al zijn verkend.
Het gebruik van deze driedimensionale kaart is echter altijd een traag en duur proces geweest. Omdat moleculen flexibel zijn en in veel verschillende vormen kunnen draaien, moet een computer honderden mogelijke 3D-versies, of conformaten, voor elk molecuul genereren om te zien welke kenmerken het kan presenteren. Deze stap van het genereren van vormen neemt bijna de volledige tijd in beslag die nodig is om een verbinding te analyseren, wat het onpraktisch maakt om de miljoenen moleculen in moderne chemische bibliotheken te screenen. Het resultaat is dat deze krachtige methode om nieuwe medicijnen te vinden beperkt is gebleven tot kleine, zorgvuldig samengestelde lijsten, niet in staat om de enorme oceanen van beschikbare chemie te bedwingen.
Een team van onderzoekers heeft nu een manier ontwikkeld om deze flessenhals volledig te omzeilen. Ze hebben een systeem ontwikkeld genaamd PharmCast, dat fungeert als een directe vertaler van de platte, tweedimensionale tekening van een molecuul naar zijn driedimensionale potentieel. In plaats van uren te besteden aan het berekenen van elke mogelijke draai en welk molecuul kan maken, gebruikt deze nieuwe methode een vorm van kunstmatige intelligentie om het eindresultaat direct te voorspellen. Het systeem werd getraind op bijna zes miljoen moleculen, waaronder standaard geneesmiddel-achtige verbindingen, actieve biologische moleculen en flexibele eiwitlussen, waarbij het verband tussen de basisstructuur van een molecuul en de 3D-kenmerken die het kan tonen, werd geleerd te herkennen.
De resultaten laten zien dat deze afkorting geen concessies doet aan nauwkeurigheid voor snelheid. Bij tests tegenover de traditionele, trage methode produceerde het nieuwe systeem voor de overgrote meerderheid van de verbindingen bijna identieke resultaten. Voor een typisch geneesmiddel-achtig molecuul duurt de traditionele benadering bijna drie seconden om een enkele vingerafdruk te genereren, waarbij het grootste deel van die tijd wordt besteed aan alleen al het creëren van de 3D-vormen. Het nieuwe systeem voltooit dezelfde taak in minder dan een milliseconde. Dit komt overeen met een versnelling van duizenden keren, waardoor een proces dat maanden zou duren om op een enorme bibliotheek te draaien, kan worden voltooid in minuten.
De onderzoekers testten deze tool op drie verschillende groepen moleculen om te garanderen dat het werkte over verschillende soorten chemie. Ze evalueerden standaard screeningverbindingen, actieve biologische moleculen die in laboratoria waren getest, en flexibele eiwitlussen die berucht moeilijk te modelleren zijn. In alle gevallen kwamen de voorspellingen met hoge getrouwheid overeen met de trage, traditionele berekeningen. Voor de standaard geneesmiddel-achtige verbindingen was de fout zo klein dat deze nauwelijks merkbaar was, en voor de flexibele eiwitlussen presteerde het systeem zelfs beter, waarschijnlijk omdat deze lussen in de trainingsdata waren opgenomen. Het enige gebied waar het systeem iets meer variatie vertoonde, was bij grote, complexe biologische moleculen die niet goed vertegenwoordigd waren in de trainingsset, een beperking die de auteurs toeschrijven aan de specifieke chemie die beschikbaar was voor het leren, in plaats van een gebrek aan de methode zelf.
Een van de meest significante bevindingen is dat het systeem erin slaagt gelijkenissen te identificeren tussen moleculen die op papier totaal niet op elkaar lijken. In een testgeval met twee verschillende HIV-medicijnen met volledig verschillende chemische structuren, identificeerde het systeem correct dat zij dezelfde driedimensionale kenmerken aan een doelwit presenteerden, een prestatie die de traditionele tweedimensionale methoden miste. Dit bevestigt dat de tool werkelijk de ruimtelijke essentie van het molecuul vastlegt in plaats van alleen de chemische vorm te memoriseren. De onderzoekers demonstreerden deze capaciteit door het systeem te gebruiken om een bibliotheek van meer dan vier miljoen verbindingen te scannen tegen een referentiemolecuul, een taak die minder dan een half uur in beslag nam. De beste resultaten bevatten verbindingen met zeer verschillende structuren maar met hetzelfde bindingspotentieel, wat bewijst dat het systeem effectief kan leiden bij de zoektocht naar nieuwe chemische startpunten.
De auteurs benadrukken dat hoewel deze tool ongelooflijk snel is, deze is ontworpen om samen te werken met, en niet om de tragere, meer gedetailleerde berekeningen te vervangen. In een reële scenario zou de snelle methode worden gebruikt om miljoenen kandidaten te rangschikken en de lijst in te perken tot de meest veelbelovende enkelingen. Die topkandidaten zouden vervolgens met de traditionele, tragere methode worden geanalyseerd om de exacte geometrie te bevestigen en te waarborgen dat de voorspelling standhoudt. Deze tweestapsbenadering stelt wetenschappers in staat om de volledige breedte van de chemische ruimte te verkennen zonder te worden vertraagd door de computationele kosten, terwijl ze toch de strenge standaarden behouden die vereist zijn voor medicijnontwikkeling. Door de barrière van tijd weg te nemen, opent dit werk de deur naar het toepassen van driedimensionaal denken op het gehele universum van beschikbare chemie, wat potentieel de ontdekking van nieuwe medicijnen voor ziekten die momenteel weinig opties hebben, kan versnellen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.