Een nieuw softwarepakket gebruikt machine learning bij het zoeken naar nieuwe medicijnen. Dankzij de software kan de zoektocht naar nieuwe geneesmiddelen waarschijnlijk een stuk sneller worden afgelegd. De onderzoekers beschrijven de details in het vakblad Journal of Chemical Information and Modeling.

Ziektes hangen vaak samen met een eiwit in het lichaam dat niet doet wat het moet doen. En dát kan weer komen door een foutje in een gen. In het DNA staat namelijk gecodeerd welke eiwitten het lichaam aanmaakt. Wil een geneesmiddel dus iets kunnen doen bij een bepaalde ziekte, dan moet het ingrijpen in deze processen.

Neem een virus: dat probeert om virus-DNA aan te brengen in het DNA van een mens. Wil je dus een zinvol antiviraal middel ontwerpen – bijvoorbeeld een HIV-remmer – dan moet je een molecuul bedenken dat dit proces dwarsboomt; een moleculaire ‘stop’.

De vorm van een molecuul

De vraag is hoe dit molecuul er precies moet uitzien. Om daar achter te komen  gebruiken onderzoekers nu grote databases met informatie over stoffen. Het is niet gemakkelijk om hieruit de juiste moleculen te vissen. Onderzoekers gebruiken quantumchemische berekeningen om te bepalen welke vorm de moleculaire stop precies moet hebben om effectief te zijn. Ook berekenen ze waar op het eiwit de stop moet aangrijpen.

Bij deze stap belooft de nieuwe software Knodle (Knowledge Driven Ligand Extractor), ontwikkeld door onderzoekers van het Moscow Institute of Physics and Technology en het Franse onderzoekscentrum Inria, een flinke verbetering. De bestaande methoden kunnen alleen de vorm van de moleculaire stop voorspellen, terwijl ook de quantummechanische toestanden van zowel de atomen in het molecuul als de bindingen ertussen van belang zijn. Dat is precies wat Knodle bepaalt. Op die manier verkleint het de lijst met kandidaat-medicijnen van duizenden naar ongeveer honderd. Deze honderd stoffen kunnen dan worden geproduceerd en getest op effectiviteit. Knodle zal dus tijdwinst gaan opleveren.

Bindingen

Elektronenwolken. Bron

Wat chemici op papier weergeven met streepjes (enkel, dubbel, driedubbel), zijn in werkelijkheid elektronenwolken (zie figuur rechts) die atomen met elkaar delen – dat heet hybridisatie. Quantumchemici kennen de mogelijke hybridisaties van elk atoom en daarmee kunnen ze de configuratie van een molecuul berekenen.

Dit ambacht hebben de onderzoekers nu in software gestopt. Dat laat technieken van machine learning los op de bindingen tussen atomen. Ze voedden de software met 7605 stoffen. Daarvan waren de toestanden en ruimtelijke structuur precies bekend. Het programma gebruikte deze stoffen om de regels rond quantumchemie te leren. Met succes: volgens de betrokken onderzoekers is hun software nu beter dan bestaande pakketten. ‘We halen een foutenmarge van 3,9 %, terwijl concurrenten op 4,7 % zitten’, aldus de betrokken onderzoekster Maria Kadukova in een persbericht (‘Computer taught to intuitively predict chemical properties of molecules’). Een ander voordeel van Knodle is de flexibiliteit. Het is bijvoorbeeld eenvoudig om een nieuw categorie atomen toe te voegen, zoals metalen. Dat is een kwestie van de database met eigenschappen van metaalatomen aan Knodle koppelen.