Эффективность нейронных сетей глубокого обучения в прогнозировании анксиолитической и офтальмотоксической активностей химических соединений

Проведенное исследование направлено на экспериментальную проверку точности модели с архитектурой искусственной нейронной сети глубокого обучения (ИНСГО) на основе корреляционных сверток спектров энергий множественного докинга (КССЭМД), предназначенной для направленного поиска анксиолитических соединений с учетом сложных взаимосвязей между биологическими мишенями, а также модели ИНСГО для прогноза офтальмотоксичности на основе совокупности физико-химических характеристик молекул. Предложенная архитектура ИНСГО была использована для моделирования двух разных видов биологической активности химических соединений, фармакологической анксиолитической и токсикологической офтальмотоксической, что демонстрирует универсальность указанной методологии и ее применимость в различных задачах по доклиническим исследованиям лекарственных веществ. Цель. Валидировать модель прогноза анксиолитической активности на основе мультитаргетной сверточной ИНСГО, а также построить ИНСГО для прогнозирования офтальмотоксичности с использованием физико-химических параметров. Материалы и методы. Для построения модели анксиолитической активности использовались данные множественного молекулярного докинга. Обучение нейросетей проводилось с использованием библиотеки PyTorch. Для экспериментальной валидации в тесте «Открытое поле» на белых беспородных мышах-самцах было взято 18 производных адамантана. Дополнительно также с помощью PyTorch разработана модель офтальмотоксичности, использующая 15 физико-химических дескрипторов при аналогичной архитектуре нейросети. Результаты и обсуждение. По результатам компьютерного прогноза 4 из 18 соединений были классифицированы как обладающие выраженной анксиолитической активностью. Экспериментальные исследования подтверждают данные in silico: три из четырех активных по прогнозу соединения продемонстрировали статистически значимое отличие параметров, ассоциированных с тревогоподобным поведением, от группы контроля, тогда как неактивные по прогнозу не показали значимых эффектов. Совпадение результатов in silico и in vivo свидетельствует о высокой предсказательной способности модели и эффективности учета мультитаргетного взаимодействия. Модель для прогноза офтальмотоксичности имеет достаточно высокие показатели точности в автотестировании и будет в дальнейшем также испытана в прогнозе активности химических соединений с последующей экспериментальной проверкой. Заключение. Разработанная модель с архитектурой ИНСГО на основе КССЭМД обеспечивает точный прогноз анксиолитической активности химических соединений, что подтверждено экспериментально. Показано, что используемая архитектура нейросети обладает универсальностью и может применяться как для анализа данных молекулярного докинга, так и для обработки физико-химических параметров. Полученные результаты демонстрируют перспективность использования технологии ИНСГО, в том числе сверточных, для оптимизации ранних этапов поиска лекарственных веществ.