Adott célpontra történő gyógyszerhatóanyag generálás hatóanyagmolekulák látens teréből

A modern gyógyszerkutatás egyik fő motivációja az új, gyógyszerként viselkedő vegyületek előállítása, egy új gyógyszer kifejlesztése azonban rendkívül költséges és időigényes folyamat. A folyamat legnagyobb részét a megfelelő molekulák keresése és azok tovább optimalizálása teszi ki, hiszen a valaha szintetizálható gyógyszerhatóanyagok csupán töredékét ismerjük, és a közöttük történő keresés is újabb nehézségeket vet fel a molekulatér diszkrét jellege miatt.

A mesterséges intelligencia területéről vett generatív neurális modellek segítségével áthidalhatjuk ezen problémákat. Segítségükkel képesek lehetünk molekulák folytonos látens terében keresve eddig nem ismert, de megfelelő kémiai tulajdonságokkal rendelkező gyógyszermolekulákat találni.

A dolgozatomban a variációs autoenkóderen alapuló modellemet mutatom be. A modell képes a molekulák szöveges reprezentációjából egy folytonos látens teret generálni visszacsatolt neurális rétegek segítségével. A látens tér eloszlását prior információ megadásával lehet alakítani, én a leggyakrabban alkalmazott Gauss eloszlásnál valamivel jobban teljesítő hiperszferikus eloszlást használtam. A látens teret úgy alakítottam, hogy az önmagában a lehető legtöbb információt hordozza a reprezentálandó molekuláról. Ezek az információk lehetnek kémiai, szerkezeti, vagy akár hatóanyag-célpont interakcióval kapcsolatos értékek is. Az így kialakított látens térben egy genetikus algoritmussal valósítottam meg a keresését és generálását.

A Guacamol benchmark által előírt mérőszámok mentén hasonlítottam össze a modellem generálóképességét a már létező state-of-the-art modellekkel. Többféle architektúra kipróbálása és hiperparaméterek vizsgálata után a modellem jobban teljesített a Benevolent AI által közölt modellek többségénél. Ezen kívül a modellem képes egy tetszőleges tulajdonságokból előre összeállított célfüggvény szempontjából megfelelő, új gyógyszerhatóanyag jelölteket generálni. Az optimalizálandó célfüggvény alakításával, és egy hatóanyag-célpont becslő tanítása után kinyert interakciós adatok segítségével sikerült megoldani az egy adott célpontra való hatóanyaggenerálás problémáját is. A generált gyógyszerjelöltek jóságát egy molekula-fehérje dokkoló program segítségével ellenőriztem.

Az elért eredményeket tekintve elmondható, hogy a mélytanulást alkalmazó módszereknek van létjogosultsága az orvosi gyógyszerkutatás terén, az egy célpontra történő generálás pedig egy jelenleg is aktívan kutatott terület. A módszerek tökéletesítésének és ötvözésének köszönhetően nagyobb áttörések várhatóak a közeljövőben, amik a gyógyszerfejlesztési folyamat lerövidítése által elősegíthetik az új kórokozók elleni küzdelmet is.

szerző

• 
  Pogány Domonkos
  Villamosmérnöki szak, alapképzés
  alapképzés (BA/BSc)

konzulens

• 
  Sárközy Péter
  Tudományos Segédmunkatárs, Méréstechnika és Információs Rendszerek Tanszék

helyezés