Sztuczna inteligencja może pomóc rozwiązać jeden z problemów pojawiających się na bardzo wczesnym etapie poszukiwania nowych związków biologicznie aktywnych: jak spośród ogromnej liczby cząsteczek wybrać te, które rzeczywiście warto sprawdzić w laboratorium. Nad takim zastosowaniem AI pracują badacze z Międzynarodowego Instytutu Biologii Molekularnej i Komórkowej w Warszawie (IIMCB). Dwa projekty – DeepLeaRNA i DeepGeNAPL – mają wspierać analizę oddziaływań małych związków chemicznych z RNA oraz bardziej złożonymi układami tworzonymi przez RNA lub DNA i białka.
Pierwszy projekt poprowadzi dr hab. Filip Stefaniak, drugi – dr Grigory Nikolaev. Obaj pracują w Laboratorium Bioinformatyki i Inżynierii Białka IIMCB.
Dlaczego RNA jest tak trudnym celem
RNA nie tylko uczestniczy w przekazywaniu informacji genetycznej. Jego cząsteczki regulują aktywność genów i biorą udział w wielu procesach zachodzących w komórkach. Często działają wspólnie z białkami, tworząc kompleksy uczestniczące m.in. w kontroli ekspresji genów czy odpowiedzi immunologicznej. Z tego powodu RNA od dawna znajduje się w centrum zainteresowania badaczy poszukujących nowych możliwości terapeutycznych. Małe związki chemiczne mogą wiązać się z RNA i zmieniać jego strukturę lub funkcję. Problem polega na tym, że przewidywanie takich oddziaływań nadal jest trudne. Naukowcy często nie wiedzą, czy dana cząsteczka zwiąże się z określoną strukturą RNA, gdzie dojdzie do wiązania ani które jej elementy będą za ten proces odpowiadać. Na te pytania ma pomóc odpowiedzieć DeepLeaRNA.
DeepLeaRNA ma nie tylko przewidywać, ale też wyjaśniać
Projekt kierowany przez dr. hab. Filipa Stefaniaka koncentruje się na oddziaływaniach RNA z małymi cząsteczkami chemicznymi.
DeepLeaRNA ma połączyć metody uczenia maszynowego z modelowaniem molekularnym. Jego zadaniem będzie przewidywanie, czy dany ligand może związać się z określoną strukturą RNA.
Istotą projektu nie ma być jednak wyłącznie odpowiedź: „wiąże się” albo „nie wiąże się”. Narzędzie ma również wskazywać potencjalne miejsca wiązania, analizować możliwe ułożenie cząsteczki oraz identyfikować cechy strukturalne i chemiczne odpowiedzialne za dane oddziaływanie.
– Sama odpowiedź – wiąże się albo nie wiąże się – nie wystarczy. Badacze chcą wiedzieć również, dlaczego dochodzi do oddziaływania i które fragmenty cząsteczki o nim decydują. DeepLeaRNA ma dostarczać właśnie takich wyjaśnień – tłumaczy dr hab. Filip Stefaniak.
Takie informacje mogą pomóc naukowcom nie tylko wybrać najbardziej obiecujące związki do dalszych badań, ale również określić, które fragmenty ich struktury warto zmodyfikować.
DeepGeNAPL pójdzie krok dalej
Drugi projekt, kierowany przez dr. Grigory’ego Nikolaeva, obejmuje bardziej złożone układy, w których DNA lub RNA oddziałują z białkami.
DeepGeNAPL ma działać dwuetapowo. Najpierw przeanalizuje sposób, w jaki małe związki chemiczne oddziałują z kompleksami kwasów nukleinowych i białek. Następnie uzyskane informacje mają zostać wykorzystane do projektowania nowych kandydatów molekularnych. Celem jest wcześniejsze zawężenie grupy cząsteczek, które warto poddać dalszym badaniom doświadczalnym.
– Chcemy połączyć analizę oddziaływań z projektowaniem kolejnych ligandów. System ma pomóc wybrać związki o największym potencjale do dalszych badań. Nie zastąpi jednak badań doświadczalnych i nie oznacza opracowania gotowego leku – wyjaśnia dr Grigory Nikolaev.
Trafniejsza selekcja kandydatów do badań
Choć DeepLeaRNA i DeepGeNAPL koncentrują się na różnych układach biologicznych, odpowiadają na podobne wyzwanie: jak szybciej i trafniej wskazywać cząsteczki, które warto sprawdzić eksperymentalnie.
DeepLeaRNA będzie analizował oddziaływania małych związków z RNA i wyjaśniał, z czego wynikają przewidywania modelu. DeepGeNAPL rozszerzy analizę na kompleksy kwasów nukleinowych z białkami oraz wykorzysta uzyskaną wiedzę do projektowania kolejnych kandydatów molekularnych.
– Cieszę się, że Filip i Grigory będą realizować te projekty w naszym laboratorium. Planowane badania są komplementarne wobec innych prac naszego zespołu nad kwasami nukleinowymi, białkami i małymi cząsteczkami. Razem wzmacniają nasze możliwości badania oddziaływań molekularnych poprzez połączenie bioinformatyki strukturalnej, uczenia maszynowego i badań doświadczalnych – podsumowuje prof. dr hab. Janusz Bujnicki, kierujący Laboratorium Bioinformatyki i Inżynierii Białka IIMCB.
Ponad 2,1 mln zł z Narodowego Centrum Nauki
Oba projekty otrzymały finansowanie z Narodowego Centrum Nauki. DeepLeaRNA, czyli projekt „Data-driven Methodology for Predicting, Explaining, and Understanding of RNA and Small Molecule Ligand Binding”, kierowany przez dr. hab. Filipa Stefaniaka, otrzymał 1 458 376 zł w konkursie OPUS 30.
Projekt DeepGeNAPL – „Deep learning-driven design of small molecules targeting nucleic acid–protein complexes”, kierowany przez dr. Grigory’ego Nikolaeva – uzyskał 687 092 zł w konkursie SONATA 21.
Łącznie to ponad 2,1 mln zł na rozwój metod wykorzystujących sztuczną inteligencję, bioinformatykę strukturalną i modelowanie molekularne.
AI nie zastąpi eksperymentów
Oba projekty mają charakter badań podstawowych. Ich celem nie jest automatyczne opracowanie nowych leków ani zastąpienie badań laboratoryjnych. Modele mają przede wszystkim pomóc zrozumieć złożone oddziaływania molekularne i ograniczyć liczbę związków kierowanych do kosztownych i czasochłonnych testów.
Jeśli narzędzia spełnią założenia badaczy, nie zastąpią eksperymentów, ale mogą sprawić, że do laboratorium będzie trafiała lepiej wyselekcjonowana grupa cząsteczek. W praktyce może to usprawnić jeden z najbardziej czasochłonnych etapów poszukiwania nowych związków biologicznie aktywnych.
Czytaj też:
Wątroba robi więcej, niż myśleliśmy. Polscy naukowcy odkrywają nową funkcję komórek Czytaj też:
Polacy badają wirusy. Powstaje nowe narzędzie Czytaj też:
Dlaczego ta białaczka jest tak agresywna? Naukowcy znaleźli klucz w genie TP53