שיטות פיתוח תרופות מסורתיות כוללות זיהוי חלבון יעד (למשל, קולטן תאי סרטן) הגורם למחלות, ואז לחפש באמצעות אינספור מועמדים מולקולריים (תרופות פוטנציאליות) שיכולות להיקשר לאותו חלבון ולחסום את תפקודו. תהליך זה יקר, גוזל זמן ובעל שיעור הצלחה נמוך. חוקרי KAIST פיתחו מודל AI אשר באמצעות מידע בלבד על חלבון היעד, יכול לתכנן מועמדים לתרופות אופטימליות ללא נתונים מולקולריים קודמים – לפתח אפשרויות חדשות לגילוי תרופות.
קאיסט (הנשיא קוואנג היונג לי) הודיע בעשירית כי צוות מחקר בראשותו של פרופסור וו יון קים במחלקה לכימיה פיתח מודל AI בשם BIND (BONDING ומודל דיפוזיה לייצור אינטראקציה), שיכול לתכנן ולייעל אופטימיזציה של מולקולות המועמדות המותאמות למבנה של חלבון בלבד-המונה למידע מקדים על מלואנים. המודל גם מנבא את מנגנון הכריכה (אינטראקציות לא קוולנטיות) בין התרופה לחלבון היעד.
חידוש הליבה של טכנולוגיה זו טמון בגישה "עיצוב סימולטני" שלה. דגמי AI קודמים התמקדו ביצירת מולקולות או בהערכה נפרדת אם המולקולה שנוצרה יכולה להיקשר לחלבון היעד. לעומת זאת, מודל חדש זה שוקל את מנגנון הכריכה בין המולקולה לחלבון במהלך תהליך הייצור, ומאפשר תכנון מקיף בשלב אחד. מכיוון שהיא מקדימה את החשבון על גורמים קריטיים בקשירת חלבון-ליגנד, יש לו סבירות גבוהה בהרבה לייצר מולקולות יעילות ויציבות. תהליך הייצור מדגים חזותית כיצד סוגים ומיקומים של אטומים, קשרים קוולנטיים ואינטראקציות נוצרים בו זמנית כך שיתאימו לאתר הכריכה של החלבון.
יתר על כן, מודל זה נועד לעמוד בקריטריונים מרובים של תכנון תרופות חיוני בו זמנית-כמו זיקה מחייבת יעד, תכונות דמויי תרופות ויציבות מבנית. דגמים מסורתיים המותאמים לרוב למטרות אחת או שתיים בלבד על חשבון אחרים, אך מודל חדש זה מאזן יעדים שונים, ומשפר משמעותית את תחולתו המעשית.
צוות המחקר הסביר כי ה- AI פועל על סמך "מודל דיפוזיה" – גישה גנרית בה מבנה מתעדכן יותר ויותר ממצב אקראי. זהו אותו סוג של דגם המשמש ב- Alphafold 3, כלי הזוכה בפרס נובל 2024 של נובל לייצור מבנה-ליגנד, שכבר הוכיח יעילות גבוהה.
בניגוד ל- Alphafold 3, המספק קואורדינטות מרחביות לעמדות אטום, מחקר זה הציג מדריך מבוסס ידע מבוסס על חוקים כימיים בפועל-כמו אורכי קשר ומרחקי חלבון ליגנד-המאפשר יצירת מבנה ריאליסטי יותר כימית.
בנוסף, הצוות יישם אסטרטגיית אופטימיזציה בה נעשה שימוש חוזר בדפוסי כריכה מצטיינים מתוצאות קודמות. זה איפשר למודל לייצר מועמדים סמים טובים עוד יותר ללא הכשרה נוספת. ראוי לציין כי ה- AI ייצר מולקולות בהצלחה הנקשרים באופן סלקטיבי לשאריות המוטות של EGFR, חלבון יעד הקשור לסרטן.
מחקר זה הוא גם משמעותי מכיוון שהוא מתקדם מעבר למחקר הקודם של הצוות, אשר דרש קלט קודם לגבי התנאים המולקולריים לדפוס האינטראקציה של קשירת חלבון.
ה- AI החדש שפותח יכול ללמוד ולהבין את תכונות המפתח הנדרשות לקשירה חזקה לחלבון יעד, ולתכנן מולקולות מועמדות לתרופות אופטימליות – אפילו ללא כל קלט קודם. זה יכול לשנות באופן משמעותי את הפרדיגמה של פיתוח התרופות. "הוא הוסיף," מכיוון שטכנולוגיה זו מייצרת מבנים מולקולריים המבוססים על עקרונות של אינטראקציות כימיות, היא צפויה לאפשר פיתוח תרופות מהיר ואמין יותר. "
פרופסור וו יון קים, המחלקה לכימיה, קייסט
ג'ונגווון לי וונוהו ג'ונג, סטודנטים לתואר שלישי במחלקה לכימיה, השתתפו כסופרים ראשונים במחקר זה. תוצאות המחקר פורסמו בכתב העת הבינלאומי Advanced Science (אם = 14.1) ב- 11 ביולי.
- כותרת נייר: Bind: מודל דיפוזיה המייצרת אינטראקציה לייצור אינטראקציה לתכנון תרופות מבוסס מבנה רב-אובייקטיבי
- Doi: 10.1002/advs.202502702
מחקר זה נתמך על ידי הקרן הלאומית למחקר של קוריאה ומשרד הבריאות והרווחה.
