Korzystając z uczenia głębokiego, z powodzeniem opracowaliśmy model, który pomaga w identyfikacji nowych leków zdolnych do zwalczania SARS-CoV-2 poprzez odkrywanie nowych inhibitorów enzymów.

Celem tej pracy była identyfikacja potencjalnych inhibitorów białka Nsp-13 wirusa SARS-CoV-2 przy użyciu podejścia opartego na głębokim uczeniu.

Danymi wejściowymi do trenowania sieci neuronowej był zestaw par białko-ligand. Wynikiem było prawdopodobieństwo, że para ligand-białko ma wartość IC50 < 10 μM, co stwarza możliwość, że dany ligand jest inhibitorem.

Ostatecznie przewidywanie dało dokładność 86%, precyzję 95% i wycofanie 88%.

Cztery z pięciu analizowanych białek wykazały zauważalną różnicę między wynikami dokowania ligandów oznaczonych jako obiecujące a tymi z dołu listy zwróconej przez sieć neuronową.

ENG

Using deep learning, we successfully developed a model that aids in the identification of novel drugs capable of combating SARS-CoV-2, by discovering new enzyme inhibitors.

The aim of this work was to identify potential inhibitors of the Nsp-13 protein of the SARS-CoV-2 virus using an approach based on deep learning.

The input for training the neural network was a set of protein-ligand pairs. The output was a probability of a ligand-protein pair having an IC50 value < 10 μM, which creates the possibility that the given ligand is an inhibitor.

In the end the prediction resulted in an accuracy of 86%, precision of 95% and recall of 88%.

Four out of five analyzed proteins showed a noticeable difference between the results of docking ligands labeled as promising and those from the bottom of the list returned by the neural network.