소식

Aug 28, 2023

단백질에 대한 알고리즘 선택

과학 보고서 13권,

Scientific Reports 13권, 기사 번호: 8219(2023) 이 기사 인용

381 액세스

1 알트메트릭

측정항목 세부정보

본 연구는 주어진 단백질-리간드 도킹 작업에 대한 알고리즘을 자동으로 선택하기 위한 알고리즘 선택의 사용을 조사합니다. 약물 발견 및 설계 과정에서 단백질-리간드 결합을 개념화하는 것은 주요 문제입니다. 계산 방법을 통해 이 문제를 목표로 삼는 것은 전체 약물 개발 과정에 필요한 자원과 시간 요구 사항을 크게 줄이는 데 도움이 됩니다. 단백질-리간드 도킹을 해결하는 한 가지 방법은 이를 검색 및 최적화 문제로 모델링하는 것입니다. 이와 관련하여 다양한 알고리즘 솔루션이 있었습니다. 그러나 단백질-리간드 도킹 품질과 속도 측면에서 이 문제를 효율적으로 해결할 수 있는 궁극적인 알고리즘은 없습니다. 이 주장은 특정 단백질-리간드 도킹 시나리오에 맞춰진 새로운 알고리즘을 고안하는 동기를 부여합니다. 이를 위해 본 논문에서는 개선되고 강력한 도킹 성능을 위한 머신러닝 기반 접근 방식을 보고합니다. 제안된 설정은 완전히 자동화되어 문제 및 알고리즘 측면 모두에 대한 전문가 의견이나 개입 없이 작동됩니다. 사례 연구로서 1428개의 리간드를 사용하여 잘 알려진 단백질인 인간 안지오텐신 전환 효소(ACE)에 대한 경험적 분석이 수행되었습니다. 일반적인 적용을 위해 AutoDock 4.2가 도킹 플랫폼으로 사용되었습니다. 후보 알고리즘도 AutoDock 4.2에서 가져왔습니다. 명확하게 구성된 28개의 LGA(Lamarckian-Genetic Algorithm)가 알고리즘 세트를 구축하기 위해 선택되었습니다. 추천 시스템 기반 알고리즘 선택 시스템인 ALORS는 인스턴스별로 LGA 변형에서 선택을 자동화하는 데 선호되었습니다. 이러한 선택 자동화를 실현하기 위해 각 표적 단백질-리간드 도킹 인스턴스를 특성화하는 기능으로 분자 설명자 및 하위 구조 지문이 사용되었습니다. 계산 결과에 따르면 알고리즘 선택이 모든 후보 알고리즘보다 성능이 뛰어난 것으로 나타났습니다. 알고리즘 공간에 대한 추가 평가가 보고되어 LGA 매개변수의 기여도를 논의합니다. 단백질-리간드 도킹과 관련하여 앞서 언급한 기능의 기여도를 조사하여 도킹 성능에 영향을 미치는 중요한 기능을 밝힙니다.

새로운 질병이 등장하고 인간의 웰빙을 개선하려는 욕구에 대한 인식이 높아짐에 따라 새로운 의료 혁신을 구현하려는 지속적인 노력이 있어 왔습니다. DD(Drug Discovery/Design)1의 광범위한 개념이 주요 관심 주제였습니다. 그러나 DD 프로세스는 시간과 비용이 많이 듭니다. 전체 DD 파이프라인은 최대 15년 동안 지속될 수 있으므로 높은 예산과 대규모 과학자 그룹의 참여가 필요합니다. 그런 점에서 전통적인 DD 프로세스는 종종 높은 비용과 위험, 낮은 성공률을 수반하며, 이는 새로운 연구를 방해하고 이 분야의 실질적인 발전을 방해하는 요소입니다2. 이 사실에 기여하는 주요 요인은 DD가 본질적으로 약물 가능한 화합물을 검출하기 위한 막대한 화학적 공간의 검색 문제라는 것입니다3,4. 틀림없이 이 힘든 과정에서 가장 중요한 단계는 신약으로 개발될 수 있는 새로운 화학적 화합물을 식별하는 것입니다.

컴퓨팅 접근 방식은 일반적으로 DD 프로세스를 더 빠른 속도로 진행하고 성공적인 결과를 향상시키는 효과적인 메커니즘이기 때문에 실용적이었습니다. CADD(Computer-Aided DD)5,6,7,8,9,10은 이러한 계산 절차를 포괄하는 포괄적인 용어입니다. 구체적으로 말하면 CADD는 DD에서의 활용과 관련하여 여러 분야를 포괄하는 수학 및 데이터 기반 도구 모음입니다. 이러한 도구는 컴퓨터 프로그램으로 구현되며 새로운 화학 물질의 발견을 촉진하기 위해 다양한 실험 방법론과 함께 수용됩니다. CADD 전략은 매우 많은 수의 화합물을 신속하게 분류하여 리드로 전환될 수 있는 히트를 식별할 수 있습니다. 그런 다음 실험실 방법이 약물 테스트 및 최종 결정을 대신합니다. 이 프로세스는 반복적이고 상호적입니다. CADD 방법의 결과는 화학적 합성 및 생물학적 분석 대상이 되는 화합물을 고안하는 데 활용됩니다. 이러한 실험에서 파생된 정보는 CADD 접근 방식에 포함된 구조 활동 관계(SAR) 및 정량적 SAR(QSAR)을 추가로 개발하는 데 활용됩니다.