Журнал бактериологии и паразитологии

Абстрактный

Перепрофилирование лекарств для лечения COVID-19 с помощью машинного обучения

Семих Кантюрк, Аман Сингх, Джейсон Берманн, Патрик Сент-Амант*

Интеграция методов машинного обучения в биоинформатику обеспечивает особые преимущества при определении того, как терапевтические средства, эффективные в одном контексте, могут быть полезны в неизвестном клиническом контексте или против новой патологии. Мы стремимся обнаружить основные связи между вирусными белками и противовирусными терапевтическими средствами, которые эффективны против них, с помощью моделей нейронных сетей. Используя базу данных вирусных белков Национального центра биотехнологической информации и базу данных вирусов лекарственных средств, которая предоставляет полный отчет о противовирусных средствах широкого спектра действия (BSAA) и вирусах, которые они ингибируют, мы обучили модели ИНС с последовательностями вирусных белков в качестве входных данных и противовирусными средствами, считающимися безопасными для человека, в качестве выходных данных. Обучение модели исключало белки SARS-CoV-2 и включало только препараты фаз II, III, IV и одобренного уровня. Использование последовательностей для SARS-CoV-2 (коронавируса, вызывающего COVID-19) в качестве входных данных для обученных моделей дает выходные данные о предварительных безопасных для человека противовирусных кандидатах для лечения COVID-19. Наши результаты предполагают наличие нескольких кандидатов на лекарства, некоторые из которых дополняют недавние выводы из заслуживающих внимания клинических исследований. Наш подход к повторному использованию лекарственных препаратов in silico обещает помочь в выявлении новых потенциальных лекарственных препаратов и методов лечения других вирусных, бактериальных и паразитарных инфекций.