Технология сократит работу специалистов, которая могла занимать многие годы, до нескольких дней.
"Авторы [исследования] использовали методы машинного обучения для поиска ингибиторов (вещества, подавляющие течение процессов. – "Профиль") селезеночной тирозинкиназы (Syk) – белка, который играет ключевую роль в развитии такого аутоиммунного заболевания, как иммунная тромбоцитопения", – сказано в сообщении.
Отмечается, что с помощью нового метода исследователи уже обнаружили более 100 "молекул-кандидатов", которые можно будет использовать в лекарствах.
Иммунная тромбоцитопения – нарушение свертываемости крови, которое может провоцировать спонтанные кровоизлияния. Селезеночная тирозинкиназа участвует в работе иммунных клеток и играет важную роль в развитии аутоиммунных заболеваний. Для лечения используют ингибиторы селезеночной тирозинкиназы – соединения, которые подавляют активность белка и тем самым устраняют симптомы болезни.
По данным пресс-службы вуза, на сегодняшний день не все известные соединения обладают высокой эффективностью и считаются безопасными. Поэтому ученые ищут новые подходящие ингибиторы Syk. Обычно это делают в лаборатории, отбирая и тестируя сотни или даже тысячи молекул вручную. Традиционный поиск может занять годы и требует много ресурсов.
Как рассказали в ИТМО, для ускорения процесса поиска новых соединений ученые создали новый метод поиска ингибиторов селезеночной тирозинкиназы. В работе они использовали алгоритм, созданный для генерации новых малых молекул для конкретных терапевтических мишеней. Технология позволяет создавать химические соединения с заданными свойствами и находить новые молекулы на роль ингибиторов белка за короткое время.
С помощью модели авторы уже получили 139 "молекул-кандидатов", ингибирующих белок Syk. По оценкам ученых, они обладают высокой прогнозируемой активностью и выглядят перспективнее существующих аналогов.
Ранее сообщалось, что российские ученые разработали алгоритм MAHDS (Multiple Alignments of Highly Diverged Sequences), который позволяет сравнивать аминокислотные последовательности белков, разошедшихся в процессе эволюции на сотни миллионов лет.
Отмечалось, что алгоритм открывает новые возможности для эволюционной биологии и медицины. Понимание древних мутаций в белках поможет расшифровать механизмы наследственных заболеваний и создать лекарства, нацеленные на древние участки ДНК.
