Модульная полносвязная сверточная нейронная сеть на основе множественного докинга: новый метод поиска биологически активных соединений

Актуальность. Методы машинного обучения сегодня широко применяются в поиске фармакологических веществ. При этом характер и внутренняя структура химико-биологических данных являются весьма специфическими, а подавляющее большинство лекарственных веществ действуют одновременно на несколько биомишеней. С учетом этого разработка новых архитектур искусственных нейронных сетей для анализа зависимостей между биологической активностью и структурой химических соединений с учетом особого характера химико-биологической информации и взаимодействия веществ с несколькими биомишенями является актуальной и научно востребованной задачей.

Цель. Создание новой архитектуры модульной мультитаргетной полносвязной сверточной нейронной сети на основе корреляционной свертки спектров энергий множественного докинга в несколько биомишеней, предназначенной для поиска in silico биологически активных соединений.

Материалы и методы. Ансамблевый множественный докинг 234 соединений с антимикробной S. aureus активностью и 537 соединений с анксиолитической активностью в 10 и 22 релевантных биомишенях соответственно и формирование спектров энергий их множественного докинга были выполнены с помощью оригинальной программы MSite и программы AutoDock Vina. С использованием полученных спектров энергий множественного докинга с помощью оригинальной программы FCCorNet проведено построение двух модульных мультитаргетных полносвязных сверточных корреляционных нейронных сетей, описывающих зависимости уровней антибактериальной S. aureus и анксиолитической активностей химических соединений от энергий их модульных нейросетей. Методами корреляционного анализа, однофакторного дисперсионного анализа и пороговой классификации оценены показатели точности и статистической достоверности построенных нейросетевых моделей.

Результаты и обсуждение. Точность построенной нейросетевой модели для антимикробной S. aureus активности составила Acc = 78,9 %, при статистической достоверности p = 3,44 × 10^-12. Точность построенной нейросетевой модели для анксиолитической активности составила Acc = 61,3 %, при статистической достоверности p = 6,68 × 10^-8. Точность прогноза антимикробной S. aureus активности превышает точность прогноза анксиолитической активности, что, вероятно, связано с более сложным системным мультитаргетным механизмом реализации психотропных эффектов, в сравнении с антибактериальным действием химических соединений. Полученные результаты доказывают высокую валидность применения новой архитектуры модульной мультитаргетной полносвязной сверточной корреляционной нейронной сети на основе спектров энергий множественного докинга для поиска in silico биологически активных веществ.

Заключение. Разработан новый метод искусственного интеллекта для поиска in silico биологически активных соединений – модульная мультитаргетная полносвязная сверточная корреляционная нейронная сеть на основе спектров энергий множественного докинга в релевантные биомишени. Методами многомерной статистики показаны высокая точность и статистическая достоверность построенных нейросетевых моделей, достигающая p = 3,44 × 10^-12 для антибактериальной S. aureus активности и p = 6,68 × 10^-8 для анксиолитической активности. Созданная методология может быть использована для поиска in silico новых высокоактивных соединений с различными видами системной мультитаргетной биологической и фармакологческой активности с учетом их интегральной аффинности к релевантным белкам-мишеням.