Neural network modeling of the dependence of RAGE inhibitory activity of chemical compounds on the energy spectrum of multiple docing

Full Text

Сахарный диабет (СД) характеризуется хронической гипергликемией, что сопровождается значительным усилением неферментативного гликирования белков. В результате образуются конечные продукты гликирования (AGE), которые взаимодействуют со своим специфическим рецептором (RAGE) [1]. Активация RAGE является одним из значимых факторов развития осложнений при СД [1, 2]. По данным ВОЗ, на 05.04.2023 г. в мире в 2014 г. число больных СД составляло 422 млн человек, а в 2019 г. СД был причиной смерти примерно 2 млн человек [3].

В нашей работе [4] было показано, что спектр энергий докинга химических соединений в множество пространств релевантного белка является намного более достоверной метрикой аффинности лигандов к биомишеням, в сравнении с единичной энергией их докинга в специфический сайт. При этом использование множественного докинга для расчета аффинности соединений не требует определения в белке-мишени местоположения специфического сайта связывания. В соответствии с теоремой Колмогорова [5], с помощью двухслойной искусственной нейронной сети может быть аппроксимирована зависимость любой сложности.

Таким образом, разработка на основе указанной технологии искусственного интеллекта новой методологии построения in silico высокоточных моделей зависимости фармакологической активности химических соединений от спектра их множественной аффинности к релевантным белкам-мишеням, включающая учет взаимодействия лиганда со всей поверхностью белка, является научно востребованной и весьма актуальной задачей.

ЦЕЛЬ РАБОТЫ

Построение методом искусственных нейронных сетей модели зависимости уровня RAGE-ингибирующей активности от спектра энергий множественного докинга химических соединений и оценка ее прогностической способности, в сравнении с точностью прогноза с использованием энергии простого докинга.

МЕТОДИКА ИССЛЕДОВАНИЯ

Для достижения цели исследования необходимо было решить следующие задачи.

1. Сформировать верифицированную выборку по структуре и уровню активности известных соединений, испытанных на RAGE-ингибирующую активность.
2. Построить и оптимизировать 3D-модели этих соединений.
3. Выполнить для указанных соединений простой докинг в специфический связывающий сайт RAGE-рецептора и множественный докинг во все сформированные для этого пространства данного рецептора, рассчитать энергии простого докинга и спектры энергий множественного докинга.
4. Сформировать модель зависимости уровня RAGE-ингибирующей активности химических соединений от энергии их простого докинга в специфический связывающий сайт, оценить ее точность.
5. Построить нейросетевую модель зависимости уровня RAGE-ингибирующей активности от спектра энергий множественного докинга химических соединений, оценить ее точность.

Выборка по структуре и активности RAGE-ингибиторов. Обучающая выборка по структуре и активности 183 известных веществ, испытанных на RAGE-ингибирующую активность, была сформирована с использованием оригинальной верифицированной базы данных [6], которая включала 99 соединений с высокой активностью и 84 низкоактивных или неактивных соединения.

Оптимизированные 3D-модели соединений. Оптимизированные 3D-модели всех 183 соединений были построены в соответствии с методикой [7]. Мето-дами молекулярной механики с помощью программы MarvinSketch 17.1.23 [8], отдельно для каждого соединения, были построены по 10 конформеров с наименьшей энергией. Построенные конформеры были оптимизированы с помощью программы MOPAC2012 [9] с использованием полуэмпирического квантово-химического метода PM7. Среди оптимизированных конформеров были отобраны для каждого соединения по одному конформеру с наименьшей общей энергией.

Простой и множественный докинг выполняли с использованием экспериментальной 3D-модели RAGE-рецептора 4LP4 [10] – наиболее точной из 10 моделей, проанализированных в работе [7]. Координаты специфического связывающего сайта были определены с помощью программы LigPlot+ 2.2.5 [11]. Кроме того, на указанной модели 4LP4 с помощью программы MSite v21.04.22, в соответствии с алгоритмом, подробно описанным в нашей работе [4], были построены 27 пространств для множественного докинга.

Ансамблевый докинг проводили с помощью программы AutoDock Vina 1.1.1 [12], каждое соединение в 10 конформерах по 5 раз в каждое пространство докинга, с вычислением по 50 полученным значениям минимальных энергий связывания ΔE, как это описано в работе [7]. Докинг выполняли отдельно в специфический связывающий сайт RAGE-рецептора и отдельно в каждое из 27 пространств, сформированных для множественного докинга.

Полученная в результате расчетов сводная таблица для последующего моделирования включала в себя 30 колонок: шифры соединений; метка уровня RAGE-инги-бирующей активности Ind; энергия докинга в специфический связывающий сайт ΔE₀ и энергии множественного докинга в 27 пространств ΔE₁…ΔE₂₇ RAGE-рецептора.

Модель зависимости активности от энергии простого докинга. Для построения модели зависимости уровня RAGE-ингибирующей активности химических соединений от энергии их простого докинга в специфический связывающий сайт ΔE₀ все значения этого показателя для 183 известных RAGE-ингибиторов с помощью программы Statistica 7 [13] были подвергнуты кластерному анализу методом k-средних, с определением граничного значения ΔÊ₀, разделяющего соединения с выраженной энергией докинга ΔE₀ и соединения с низкой величиной ΔE₀.

Согласно основному постулату традиционного докинга, чем выше расчетная энергия взаимодействия со специфическим сайтом биомишени ΔE₀, тем выше значение фармакологической активности [14]. Таким образом, основанное на простом докинге решающее правило определяется следующими неравенствами:

1) если ΔE₀ < ΔÊ₀, то прогнозируемое соединение принадлежит к классу соединений с выраженной RAGE-ингибирующей активностью;

2) если же ΔE₀ ≥ ΔÊ₀, то прогнозируемое соединение принадлежит к классу соединений с низкой RAGE-ингибирующей активностью.

С использованием сформированной модели рассчитаны общая точность прогноза Acc, чувствительность Sens (точность прогноза высоко активных соединений) и специфичность Spec (точность прогноза не высоко активных соединений). С помощью биномиального критерия z [15] оценена статистическая достоверность p показателей точности прогноза.

Нейросетевая модель зависимости активности от энергии множественного докинга. Для построения модели зависимости уровня RAGE-ингибирующей активности от спектра энергий множественного докинга химических соединений ΔE₁…ΔE₂₇ была использована технология искусственных нейронных сетей [16]. В соответствии с теоремой Колмогорова [5], в настоящем исследовании использовалась архитектура сети в виде двухслойного перцептрона MLP k-m-2 с узким горлом. Здесь k – число входных нейронов, в данном случае 27 (ΔE₁…ΔE₂₇); m – число скрытых нейронов, устанавливается программой от 3 до 26, поскольку 2 < m < k. В модуле Statistica Neural Networks [16] программы Statistica [13] при построении перцептронных сетей для скрытого и выходного слоев используются пять наиболее распространенных активационных функций (Identity, Logictic, Tanh, Exponential, Softmax) [16], попарный перебор которых также осуществляется программой.

Обучение нейросетей в программе Statistica проводится с использованием алгоритма обратного распространения ошибок. С целью достижения наилучшего результата обучения, число сетей для обучения было увеличено с 20 до 400, а число наилучших автоматически отбираемых сетей – с 5 до 100. После окончания обучения для заданного уровня активности из 100 лучших отобранных программой нейросетей по совокупности характеристик точности обучения и тестирования вручную отбирали лучшую.

С использованием построенной модели рассчитаны общая точность прогноза Acc, чувствительность Sens и специфичность Spec. С помощью биномиального критерия z [15] оценена статистическая достоверность p показателей точности прогноза.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЯ И ИХ ОБСУЖДЕНИЕ

Для модели зависимости уровня RAGE-ингибирующей активности химических соединений от энергии их простого докинга в специфический связывающий сайт ΔE₀ получено граничное значение ΔÊ₀ = –7.0 Ккал/моль, разделяющее высоко активные и не высоко активные соединения.

В случае нейросетевой модели зависимости уровня RAGE-ингибирующей активности от спектра энергий множественного докинга химических соединений ΔE₁…ΔE₂₇ получена нейронная сеть следующих характеристик: MLP 27-12-2 (Exponential, Logistic), точность обучения 93,8 %, тестирования 81,5 %, также классифицирующая высоко активные и не высоко активные соединения.

В таблице приведены результаты сравнительной оценки на объединенной выборке точности двух указанных моделей.

 

Точность прогноза уровня RAGE-ингибирующей активности на основе энергий простого и множественного докинга

Показатель точности прогноза	Значения для модели прогноза с использованием
	ΔE0	ΔE1…ΔE27
Acc, %	17.5	85.2
Sens, %	20.2	93.9
Spec, %	14.3	75.0
z0	3.32	6.72
za	5.67	8.38
zn	6.81	4.76
p0	1.000	9.24 × 10–12
pa	1.000	<1 × 10–15
pn	1.000	9.84 × 10–7

Примечание: Acc, Sens, Spec – точность, чувствительность, специфичность прогноза; z₀, z _a, z _n – биномиальный критерий для Acc, Sens, Spec; p₀, p _a, p _n – значимость Acc, Sens, Spec

 

Точность прогноза RAGE-ингибирующей активности с использованием модели на основе энергии докинга в специфический сайт ΔE₀ по всем показателям является статистически незначимой и меньше точности случайного угадывания, составляющей 50 %. Таким образом, данная модель является неадекватной.

В то же время при использовании нейросетевой модели на основе энергий множественного докинга ΔE₁…ΔE₂₇ все оценки точности прогноза являются статистически высоко достоверными. При этом значения всех показателей Acc, Sens, Spec значительно превышают точность случайного угадывания.

Таким образом, на примере RAGE-ингибирующей активности показано, что нейросетевая модель на основе спектра энергий докинга химических соединений во множество пространств RAGE-рецептора является намного более точной, чем модель, полученная на основе единичной энергии их докинга в специфический связывающий сайт этого же рецептора.

ЗАКЛЮЧЕНИЕ

С использованием кластерного анализа построена модель зависимости уровня RAGE-ингибирующей активности химических соединений от энергии их простого докинга в специфический сайт. С использованием технологии искусственных нейронных сетей построена модель зависимости уровня RAGE-ингибирующей активности от спектра энергий множественного докинга химических соединений по всему пространству RAGE-рецептора.

Статистическая достоверность и точность прогноза уровня RAGE-ингибирующей активности химических соединений с использованием нейросетевой модели на основе спектра значений энергий множественного докинга существенно превышает аналогичные показатели, полученные с применением модели на основе единичного значения энергии докинга в специфический сайт RAGE-рецептора.

Работа выполнена в рамках государственного задания Министерства здравоохранения Российской Федерации № 121060700050 «Разработка методологии компьютерного поиска фармакологически активных соединений на основе множественного докинга и технологии искусственных нейронных сетей».

About the authors

Pavel M. Vasiliev

Volgograd State Medical University

Author for correspondence.
Email: pvassiliev@mail.ru

Doctor of Biological Sciences, Senior Researcher at the Higher Attestation Commission, Head of the Laboratory of Information Technologies in Pharmacology and Computer Modeling of Medicines, Scientific Center for Innovative Medicines with Pilot Production, Professor of the Department of Pharmacology and Bioinformatics

Russian Federation, Volgograd

Maxim A. Perfiliev

Volgograd State Medical University

Email: maxim.firu@yandex.com

 junior researcher at the Laboratory of Information Technologies in Pharmacology and Computer Modeling of Medicines, Scientific Center for Innovative Medicines with Pilot Production, postgraduate student of the Department of Pharmacology and Bioinformatics

Russian Federation, Volgograd

Andrey N. Kochetkov

Volgograd State Medical University

Email: akocha@mail.ru

System administrator, software engineer at the Laboratory of Information Technologies in Pharmacology and Computer Modeling of Medicines, Scientific Center for Innovative Medicines with Pilot Production

Russian Federation

References

Supplementary files