Strojové učení pro návrh interakcí mezi proteiny

Abstract

Cévní mozková příhoda patří celosvětově mezi hlavní příčiny úmrtí a invalidity, a mezi ostatními zdravotními poruchami představuje jednu z nejtěžších socioekonomických zátěží. V této práci aplikujeme nejmodernější metody strojového učení s cílem návrhu nové generace trombolytika stafylokinázy. Naše případová studie zdůrazňuje silné a slabé stránky existujících metod pro návrh interakcí mezi proteiny, které dále adresujeme vývojem nového modelu samořízeného geometrického hlubokého učení PPIformer. Předběžná analýza našeho přístupu ukazuje na jeho vysoký potenciál překonat omezení současných metod pro návrh protein--protein interakcí a stát se tak nástrojem nové generace pro návrh trombolytik a jiných léků.

Stroke is a leading cause of death and disability worldwide, resulting in one of the heaviest socioeconomic burdens of any disease kind. In this thesis, we apply state-of-the-art machine-learning methods with the goal of designing a next-generation thrombolytic staphylokinase. Our case study highlights the strengths and weaknesses of existing methods for the design of protein--protein interactions, which we further address by developing a novel self-supervised geometric deep-learning model PPIformer. The preliminary analysis of our approach demonstrates its high potential to overcome the limitations of current methods for designing protein--protein interactions and thus become a next-generation tool for the design of thrombolytics and other medicines.