作者:麻省理工学院的亚当·泽维
麻省理工学院的研究人员开发了一种深度学习模型，可以根据分子结构的2D图快速预测其可能的三维形状
这项技术可以加速药物发现
学分:麻省理工学院 在寻找有效新药的过程中，科学家们寻找能够附着在致病蛋白质上并改变其功能的类药物分子
重要的是，他们知道分子的三维形状，以了解它将如何附着在蛋白质的特定表面
但是单个分子可以以成千上万种不同的方式折叠，所以通过实验解决这个难题是一个耗时且昂贵的过程，就像在分子干草堆中寻找一根针一样
麻省理工学院的研究人员正在使用机器学习来简化这项复杂的任务
他们创建了一个深度学习模型，仅根据2D的分子结构图来预测分子的三维形状
分子通常表示为小图形
他们的系统GeoMol仅在几秒钟内处理分子，性能优于其他机器学习模型，包括一些商业方法
计算机科学和人工智能实验室(CSAIL)博士后、该论文的合著者奥克塔维安-欧根·加内亚说，GeoMol可以帮助制药公司通过减少他们需要在实验室实验中测试的分子数量来加速药物发现过程
“当你在思考这些结构如何在3D空间中移动时，实际上只有分子的某些部分实际上是柔性的，这些可旋转的键
我们工作的一个关键创新是，我们像化学工程师一样思考构象灵活性的建模
这实际上是试图预测结构中可旋转键的潜在分布，”Lagnajit Pattanaik说，他是化学工程系的研究生，也是该论文的共同主要作者
其他作者包括康纳·W
亨利·斯林格化学工程职业发展助理教授科利；瑞吉娜·巴兹莱，CSAIL工程学院人工智能与健康特聘教授；克拉夫
詹森，沃伦·K
刘易斯化学工程教授；威廉·H
格林，霍伊特·C
霍特尔化学工程教授；和资深作者Tommi S
杰克科拉，CSAIL电气工程的托马斯·西贝教授，数据、系统和社会研究所成员
这项研究将于本周在神经信息处理系统会议上发表
绘制分子图 在分子图中，分子的单个原子表示为节点，连接它们的化学键是边
GeoMol利用了深度学习中的一种最新工具，称为消息传递神经网络，它是专门为处理图形而设计的
研究人员改造了一个信息传递神经网络来预测分子几何的特定元素
给定一个分子图，GeoMol首先预测原子间化学键的长度和这些单个键的角度
原子排列和连接的方式决定了哪些键可以旋转
GeoMol然后单独预测每个原子的局部邻域的结构，并通过计算扭转角然后排列它们来组装相邻的可旋转键对
扭转角决定了三个相连部分的运动，在这个例子中，三个化学键连接了四个原子
“在这里，可旋转键可以取很大范围的可能值
因此，这些信息传递神经网络的使用允许我们捕捉影响预测的许多局部和全局环境
可旋转键可以取多个值，我们希望我们的预测能够反映潜在的分布，”Pattanaik说
克服现有障碍 预测分子三维结构的一个主要挑战是建立手性模型
手性分子不能叠加在它的镜像上，就像一双手(无论你如何旋转你的手，它们的特征都不可能完全对齐)
如果一个分子是手性的，它的镜像不会以同样的方式与环境相互作用
这可能导致药物与蛋白质不正确地相互作用，从而导致危险的副作用
加内亚说，目前的机器学习方法通常涉及一个漫长而复杂的优化过程，以确保正确识别手性
因为GeoMol单独确定每个键的3D结构，所以它在预测过程中明确定义了手性，消除了事后优化的需要
在完成这些预测后，GeoMol输出了该分子的一组可能的三维结构
“我们现在能做的就是把我们的模型和一个预测这种附着在特定蛋白质表面的模型首尾相连
我们的模型不是一个独立的管道
它很容易与其他深度学习模式相结合，”加内亚说
“超快的”模型 研究人员使用分子数据集和他们可能采取的三维形状测试了他们的模型，该数据集是由工程领域的杰弗里·谢职业发展主席拉斐尔·戈麦斯-邦巴里利和研究生西蒙·阿克塞尔罗德开发的
与机器学习模型和其他方法相比，他们评估了他们的模型能够捕捉多少这种可能的三维结构
在几乎所有情况下，GeoMol在所有测试指标上都优于其他模型
“我们发现我们的模型超快，这真的很令人兴奋
重要的是，当你添加更多的可旋转键时，你会发现这些算法会明显变慢
但我们并没有真正看到这一点
速度与可旋转键的数量很好地成比例，这有望在未来使用这些类型的模型，尤其是对于那些试图快速预测这些蛋白质内部3D结构的应用，”Pattanaik说
未来，研究人员希望将GeoMol应用于高通量虚拟筛选领域，利用该模型来确定与特定蛋白质相互作用的小分子结构
他们还希望通过额外的训练数据不断完善GeoMol，以便它能够更有效地预测具有许多柔性键的长分子的结构
“构象分析是计算机辅助药物设计中众多任务的关键组成部分，也是推进药物发现中机器学习方法的重要组成部分，”Relay Therapeutics计算高级副总裁Pat Walters说，他没有参与这项研究
“我对该领域的持续进步感到兴奋，并感谢麻省理工学院在这一领域为更广泛的学习做出的贡献
"
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
