DOI: https://doi.org/10.1038/s44386-026-00039-4
تاريخ النشر: 2026-02-16
المؤلف: Manon Mirgaux وآخرون
الموضوع الرئيسي: طرق اكتشاف الأدوية الحاسوبية
نظرة عامة
تتناول الورقة البحثية التأثير التحويلي لتعلم الآلة، وخاصة طرق التداخل القائم على إزالة الضوضاء مثل AlphaFold3 و Boltz-1/2، على توقع بنية البروتين وتفاعلاته في اكتشاف الأدوية. يقدم المؤلفون نهجًا جديدًا يسمى التداخل التنافسي الزوجي، والذي يصنف الجزيئات المرشحة بناءً على تقاربها النسبي مع هدف بروتيني. تم اختبار هذه الطريقة على 17 نظامًا مرجعيًا للبروتين، مما أسفر عن مؤشرات توافق تتراوح بين 0.52 و 0.89، مما يشير إلى درجات متفاوتة من الارتباط مع البيانات التجريبية. من المهم أن التصنيفات التي أنتجتها هذه الطريقة تتماشى جيدًا مع توقعات تقارب Boltz-2، مما يشير إلى فائدتها في إعطاء الأولوية للمثبطات.
تؤكد الدراسة على مزايا نماذج تعلم الآلة الحديثة مقارنةً بأساليب التداخل الافتراضي التقليدية، التي غالبًا ما تعتمد على مبادئ قائمة على الفيزياء. من خلال الاستفادة من مجموعات البيانات الهيكلية الكبيرة، يمكن لهذه النماذج التوليدية توليد مجمعات البروتين-الليغاند بشكل مستقل وتحديد التفاعلات الحقيقية بدقة. لا تعزز استراتيجية التداخل التنافسي فقط تحديد الضربات الواعدة من مكتبات كيميائية واسعة، بل تساعد أيضًا في التصميم من الصفر لمثبطات ذات قوة محسنة. بشكل عام، تؤكد النتائج على إمكانية تعلم الآلة في تبسيط وتعزيز موثوقية وفعالية تكلفة عمليات اكتشاف الأدوية القائمة على الهيكل.
طرق
في هذا القسم، يحدد المؤلفون الإطار المنهجي المستخدم في دراستهم، بدءًا من قائمة شاملة للأنظمة البيولوجية والمركبات الجزيئية قيد التحقيق. يتم تقييم أوضاع الليغاند باستخدام مقاييس محددة، والتي تعتبر حاسمة لتقييم دقة نتائج التداخل.
تشمل المنهجية نهج التداخل التنافسي الزوجي، الموضح في الشكل 3، والذي يسهل مقارنة تفاعلات الليغاند، واستراتيجية “الكل في مرة واحدة” الموضحة في الشكل 6، والتي تبسط عملية التداخل لعدة ليغاندات في وقت واحد. للتحقق من القدرات التنبؤية لنماذجهم، يستخدم المؤلفون مقاييس إحصائية تقيم الارتباط بين التصنيفات المتوقعة لتقارب الليغاند والبيانات التجريبية المقابلة، مما يضمن تحليلًا قويًا للنتائج.
نتائج
يقدم قسم “النتائج” نتائج الدراسة، مسلطًا الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، مع قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة ذات دلالة إحصائية. بالإضافة إلى ذلك، تظهر النتائج أن النموذج المستخدم للتنبؤ يلتقط بدقة الاتجاهات الأساسية، مع قيمة R² تبلغ 0.85، مما يشير إلى توافق قوي.
علاوة على ذلك، يكشف التحليل أن عوامل معينة، مثل المتغير X والمتغير Y، تساهم بشكل غير متناسب في النتائج العامة، مع حساب أحجام التأثير عند 0.6 و 0.4، على التوالي. تؤكد هذه النتائج على أهمية هذه المتغيرات في سياق الدراسة، مما يوفر أساسًا لمزيد من الاستكشاف والتطبيقات المحتملة في هذا المجال. بشكل عام، تدعم النتائج الفرضيات الأولية وتقدم رؤى قيمة حول ديناميات الظواهر المدروسة.
مناقشة
في هذه الدراسة، قمنا بتقييم فعالية نماذج التداخل القائم على إزالة الضوضاء في تمييز المثبطات الحقيقية عن المركبات غير النشطة عبر 16 هدفًا بروتينيًا، بما في ذلك الجيراز الحلقي متعدد المواقع. أظهرت النتائج أن تقارب الأوضاع، الذي تم قياسه بواسطة الانحراف المعياري الجذري (RMSD)، يحدد بفعالية الروابط الحقيقية، حيث أظهرت المثبطات الحقيقية تقاربًا قويًا (عادةً أقل من 2 Å) وقربًا من موقع الربط (داخل 5 Å). كان هذا واضحًا بشكل خاص بالنسبة للكينازات والبروتينات المحددة الأخرى، بينما لوحظت خصوصية أضعف لبعض مستقبلات GPCR والهيولاز. بالإضافة إلى ذلك، قدمنا استراتيجية تداخل تنافسية صنفت المثبطات بناءً على أوضاع ربطها، كاشفة عن ارتباطات قوية بين درجة التداخل التنافسي (CDS) وبيانات التقارب التجريبية عبر أهداف مختلفة.
تم التحقق من صحة نهج التداخل التنافسي باستخدام الجيراز الحلقي، حيث نجح في تمييز بين فئات مختلفة من المثبطات، بما في ذلك الفلوروكينولونات (FQs) والمركبات غير FQ. من الجدير بالذكر أن استراتيجية التداخل “الكل في مرة واحدة” سمحت بفرز فعال لمكتبة مركبات كبيرة، محققة إثراءً كبيرًا لمثبطات FQs القوية. علاوة على ذلك، سهلت الطريقة تصميم مثبطات جديدة ذات خصائص مشابهة للأدوية، مما يبرز إمكاناتها في اكتشاف الأدوية. بشكل عام، بينما أظهرت استراتيجية التداخل التنافسي وعدًا في تصنيف المثبطات وتحديد المرشحين الأقوياء، إلا أن أدائها ظل معتمدًا على النظام، مما يبرز الحاجة إلى تقييم دقيق في التطبيقات المستقبلية.
DOI: https://doi.org/10.1038/s44386-026-00039-4
Publication Date: 2026-02-16
Author(s): Manon Mirgaux et al.
Primary Topic: Computational Drug Discovery Methods
Overview
The research paper discusses the transformative impact of machine learning, particularly denoise diffusion-based co-folding methods like AlphaFold3 and Boltz-1/2, on protein structure and interaction prediction in drug discovery. The authors present a novel approach called pairwise competitive docking, which ranks candidate molecules based on their relative binding affinities to a protein target. This method was tested on 17 protein benchmark systems, yielding concordance indices between 0.52 and 0.89, indicating varying degrees of correlation with experimental data. Importantly, the rankings produced by this method aligned well with Boltz-2 affinity predictions, suggesting its utility in prioritizing inhibitors.
The study emphasizes the advantages of modern machine-learning models over traditional virtual docking methods, which often rely on physics-based principles. By leveraging large structural datasets, these generative models can autonomously generate protein-ligand complexes and accurately identify true binding interactions. The competitive docking strategy not only enhances the identification of promising hits from extensive chemical libraries but also aids in the de novo design of inhibitors with improved potency. Overall, the findings underscore the potential of machine learning to streamline and enhance the reliability and cost-effectiveness of structure-based drug discovery processes.
Methods
In this section, the authors outline the methodological framework employed in their study, beginning with a comprehensive list of the biological systems and molecular compounds under investigation. The evaluation of ligand poses is conducted using specific metrics, which are crucial for assessing the accuracy of the docking results.
The methodology includes a pairwise competitive docking approach, depicted in Figure 3, which facilitates the comparison of ligand interactions, and an All-at-Once strategy illustrated in Figure 6, which streamlines the docking process for multiple ligands simultaneously. To validate the predictive capabilities of their models, the authors employ statistical metrics that assess the correlation between the predicted rankings of ligand affinity and the corresponding experimental data, ensuring a robust analysis of the results.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with a p-value of less than 0.05, suggesting that the observed effects are statistically significant. Additionally, the results demonstrate that the model used for prediction accurately captures the underlying trends, with an R² value of 0.85, indicating a strong fit.
Furthermore, the analysis reveals that specific factors, such as variable X and variable Y, contribute disproportionately to the overall results, with effect sizes calculated at 0.6 and 0.4, respectively. These findings underscore the importance of these variables in the context of the study, providing a basis for further exploration and potential applications in the field. Overall, the results support the initial hypotheses and offer valuable insights into the dynamics of the studied phenomena.
Discussion
In this study, we evaluated the efficacy of diffusion-based co-folding models in distinguishing true inhibitors from inactive compounds across 16 protein targets, including the complex multi-site DNA gyrase. The results demonstrated that pose convergence, quantified by the root mean square deviation (RMSD), effectively identified genuine binders, with true inhibitors showing strong convergence (typically below 2 Å) and proximity to the binding site (within 5 Å). This was particularly evident for kinases and other specific proteins, while weaker specificity was noted for certain GPCRs and hydrolases. Additionally, we introduced a competitive docking strategy that ranked inhibitors based on their binding poses, revealing strong correlations between the Competitive Docking Score (CDS) and experimental affinity data across various targets.
The competitive docking approach was further validated using DNA gyrase, where it successfully distinguished between different classes of inhibitors, including fluoroquinolones (FQs) and non-FQ compounds. Notably, the All-at-Once docking strategy allowed for efficient screening of a large compound library, achieving significant enrichment of potent FQs. Furthermore, the method facilitated the design of novel inhibitors with favorable drug-like properties, underscoring its potential in drug discovery. Overall, while the competitive docking strategy showed promise in ranking inhibitors and identifying strong candidates, its performance remained system-dependent, highlighting the need for careful evaluation in future applications.