Мультитаргетная сверточная нейронная сеть глубокого обучения на основе корреляционной свертки спектров энергий множественного докинга: новый метод машинного обучения для поиска биологически активных веществ

Методы машинного обучения сегодня широко используются в поиске биологически активных веществ. При этом химико-биологические данные имеют весьма специфическую структуру, а практически все лекарственные вещества действуют одновременно на несколько биомишеней. С учетом этого, разработка новых методов построения сверточных нейронных сетей глубокого обучения для анализа зависимостей между мультитаргетной биологической активностью и структурой химических соединений является актуальной и научно востребованной задачей. Цель работы. Создать методологию построения мультитаргетных сверточных нейронных сетей глубокого обучения на основе корреляционной свертки энергий множественного докинга в релевантные биомишени. Материалы и методы. Ансамблевый множественный докинг 537 соединений с анксиолитической активностью и 234 соединений с антимикробной S.aureus активностью в 22 и 10 релевантных биомишеней соответственно, а затем формирование спектров энергий их множественного докинга были выполнены с помощью оригинальной программы MSite и программы AutoDock Vina. С помощью оригинальной программы FCCorNet проведена корреляционная свертка спектров энергий множественного докинга и для указанных соединений вычислены энергии полносвязных сверточных нейронных сетей. Оригинальная компьютерная программа построения нейронных сетей глубокого обучения DeepNets была разработана на языке Python с использованием библиотеки PyTorch. На двух наборах данных, включающих уровни анксиолитической активности и антимикробной S. aureus активности известных соединений и значения энергий полносвязных сверточных корреляционных нейросетей, было проведено обучение мультитаргетных сверточных нейронных сетей глубокого обучения и оценена их точность. Результаты и обсуждение. Точность построенной нейросетевой модели для анксиолитической активности составила Acc = 68,3 %, при статистической достоверности p = 1,1 × 10-9. Точность построенной нейросетевой модели для антимикробной S. aureus активности составила Acc = 90,5 %, при статистической достоверности p < 1 × 10-15. Точность прогноза антимикробной S. aureus активности превышает точность прогноза анксиолитической активности, что, возможно, 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 сверточной нейронной сети глубокого обучения для поиска in silico биологически активных веществ. Заключение. Разработана новая архитектура мультитаргетной сверточной нейронной сети глубокого обучения на основе корреляционной свертки спектров энергий множественного докинга в совокупность релевантных биомишеней. Созданная методология может быть использована для поиска in silico новых высокоактивных соединений с различными видами мультитаргетной фармакологческой активности.