در مطالعه اخیر منتشر شده در زیست شناسی سیستم های مولکولیمحققان نشان دادند که برای استفاده بهتر از AlphaFold2 برای کشف بهتر آنتی‌بیوتیک، به پیشرفت‌هایی در مدل‌سازی تعاملات پروتئین-لیگاند با استفاده از رویکردهای مبتنی بر یادگیری ماشین نیاز است.
زمینه
نویسندگان به بهبودی عمیق در عملکرد مدل اشاره کردند، همانطور که توسط auROC اندازه‌گیری شد، با RF-Score، RF-Score-VS، و NN-Score. برعکس، عملکرد مدل با استفاده از DOCK6.9 بهبود نیافت و امتیازدهی مجدد با استفاده از امتیاز PLEC انجام شد. علاوه بر این، مدل‌های اجماع شامل چندین SF مبتنی بر یادگیری ماشینی، نسبت نرخ مثبت واقعی به نرخ مثبت کاذب و دقت پیش‌بینی را بهبود بخشید.
نتیجه گیری
شایان ذکر است، عملکرد مدل حتی زمانی که ساختارهای پروتئینی تعیین‌شده تجربی توسط محققان به کار گرفته شد، مشابه باقی ماند. به شرطی که یک مدل تصادفی با auROC 0.5 مطابقت داشته باشد، این نتایج نشان داد که شبیه‌سازی‌های اتصال مولکولی عملکرد ضعیفی را نشان می‌دهند.
فعل و انفعالات پروتئین لیگاند پیش‌بینی‌شده بین آنتی‌بیوتیک‌ها و پروتئین‌های ضروری را می‌توان تا حدی با استفاده از سنجش‌های بیوشیمیایی که فعالیت آنزیمی را اندازه‌گیری می‌کنند، با فعل و انفعالات اتصالی که توسط مهار آنزیمی پشتیبانی می‌شود، مورد بررسی قرار داد.
اگر چه همه کاره است، داکینگ نیاز به دانش قبلی از ساختارهای پروتئینی دارد. تعداد و کیفیت ساختارهای پروتئین هدف، کاربرد آن را برای شناسایی هدف دارو محدود می کند.
در مورد مطالعه
به طور شگفت انگیزی، مولکول های پروتئینی متعدد به طور آنزیمی هر ترکیب ضد باکتری شناسایی شده را مهار می کنند و بی بند و باری گسترده را تأیید می کند. این پدیده همچنین امکان محک زدن عملکرد مدل را در مقیاس آماری معنی دار فراهم کرد.
به همین ترتیب، تجزیه و تحلیل مطالعه موقعیت اتصال و میل اتصال 64528 جفت پروتئین-لیگاند را پیش‌بینی کرد. 100 ترکیب غیرفعال دیگر که به‌طور تصادفی انتخاب شدند منجر به پیش‌بینی وضعیت اتصال و میل ترکیبی برای 29600 جفت پروتئین-لیگاند از طریق شبیه‌سازی‌های اتصال مشابه شدند. علاوه بر این، محققان فعالیت آنزیمی چندین مورد را اندازه گیری کردند E. coli پروتئین ها در تکثیر دی اکسی ریبونوکلئیک اسید (DNA)، رونویسی و سنتز دیواره سلولی نقش دارند.
مطالعه حاضر نشان داد که استفاده از AlphaFold2 برای پیش‌بینی هدف دارو، روشی امیدوارکننده است اما هنوز در مرحله اولیه خود است. بر این اساس، تحقق پتانسیل آن برای کشف دارو مستلزم بهبودهای قابل توجهی در مدل‌سازی تعاملات پروتئین-لیگاند است. محک زدن عملکرد شبیه‌سازی‌های اتصال مولکولی یکی از راه‌های عملی برای بهبود دقت پیش‌بینی است. با این حال، به استفاده همزمان از رویکردهای مبتنی بر یادگیری ماشین نیاز دارد. به طور کلی، یافته های مطالعه می تواند استفاده مناسب از AlphaFold2 در کشف دارو را نشان دهد.