Разработка генеративной нейронной сети глубокого обучения для компьютерного дизайна потенциальных ингибиторов коронавируса SARS-CoV-2

Разработаны две генеративные модели глубокого обучения для компьютерного дизайна потенциальных ингибиторов основной протеазы (M$^{\mathrm{Pro}}$) коронавируса SARS-CoV-2 – фермента, критически важного для репликации и транскрипции вируса и, поэтому, представляющего перспективную мишень для конструирования эффективных противовирусных препаратов. Для решения этой задачи сформирована обучающая библиотека малых молекул, содержащих элементы структуры, способные обеспечить специфические и эффективные взаимодействия потенциальных лигандов с каталитическтим сайтом M$^{\mathrm{Pro}}$ SARS-CoV-2; разработана и реализована архитектура генеративных моделей, позволяющих генерировать новые высокоаффинные лиганды этого функционально важного белка SARS-CoV-2; проведено обучение и тестирование нейронной сети на соединениях из обучающей библиотеки и выполнена оценка результатов ее обучения и работы в двух разных режимах генерации. Использование генеративных моделей совместно с методом молекулярного докинга продемонстрировало их большой потенциал для заполнения неисследованных областей химического пространства новыми молекулами с заданными свойствами, что подтверждается полученными результатами, согласно которым из 4805 сгенерированных нейронной сетью соединений только одно присутствовало в исходном наборе данных.