Gli scienziati dell’Università della California, San Francisco (UCSF) hanno sviluppato un nuovo metodo in grado di prevedere in modo rapido e accurato il modo in cui le piccole molecole interagiscono con le proteine. Ciò potrebbe accelerare in modo significativo il processo di scoperta dei farmaci, che attualmente è un processo lungo e costoso.

Il nuovo metodo, chiamato “profilazione dell’interazione proteina-ligando in silico” (iPlip), utilizza l’apprendimento automatico per analizzare grandi set di dati sperimentali. Questi dati vengono quindi utilizzati per addestrare un modello computerizzato in grado di prevedere la probabilità che una piccola molecola si leghi a una particolare proteina.

I ricercatori hanno testato iPlip su una varietà di proteine ​​e piccole molecole e i risultati sono stati molto promettenti. iPlip è stato in grado di prevedere con precisione l'affinità di legame di piccole molecole per il 90% delle proteine ​​testate. Questo livello di accuratezza potrebbe ridurre significativamente il numero di esperimenti da eseguire durante il processo di scoperta del farmaco.

Oltre alla sua velocità e precisione, iPlip è anche relativamente economico da usare. Ciò potrebbe renderlo uno strumento prezioso per le piccole aziende biotecnologiche e i ricercatori accademici che non dispongono delle risorse per eseguire studi sperimentali su larga scala.

"iPlip ha il potenziale per rivoluzionare il modo in cui scopriamo i farmaci", ha affermato il professor Brian Shoichet, leader dello studio. "Potrebbe accelerare in modo significativo il processo di scoperta dei farmaci e renderlo più accessibile per le piccole aziende e i ricercatori accademici."

Lo studio è stato pubblicato sulla rivista Nature Communications.

Come funziona iPlip

iPlip utilizza l'apprendimento automatico per analizzare grandi set di dati sperimentali. Questi dati vengono quindi utilizzati per addestrare un modello computerizzato in grado di prevedere la probabilità che una piccola molecola si leghi a una particolare proteina.

Il modello di apprendimento automatico viene addestrato su una varietà di caratteristiche, tra cui la struttura chimica della piccola molecola, la sequenza della proteina e i dati sperimentali su come la piccola molecola si lega alla proteina.

Una volta addestrato il modello, può essere utilizzato per prevedere la probabilità che una nuova piccola molecola si leghi a una particolare proteina. Queste informazioni possono poi essere utilizzate per guidare il processo di scoperta dei farmaci, aiutando i ricercatori a selezionare le piccole molecole più promettenti per ulteriori test.

Applicazioni di iPlip

iPlip potrebbe avere un impatto significativo sul processo di scoperta dei farmaci. Potrebbe accelerare il processo di ricerca di nuovi farmaci e renderlo più accessibile per le piccole aziende e i ricercatori accademici.

iPlip potrebbe anche essere utilizzato per identificare nuovi bersagli per la scoperta di farmaci. Identificando le proteine ​​coinvolte nella malattia, iPlip potrebbe aiutare i ricercatori a sviluppare farmaci che colpiscano tali proteine.

Oltre alla scoperta di farmaci, iPlip potrebbe essere utilizzato anche in altre aree di ricerca, come la comprensione di come le proteine ​​interagiscono tra loro e di come le piccole molecole influenzano i processi cellulari.