Skoltech計算與數據密集型科學與工程中心(CDISE)的iMolecule小組的科學家開發了BiteNet，這是靶標一種機器學習(ML)算法，可幫助找到蛋白質中的現結藥物結合位點，即潛在的合位藥物靶標。BiteNet可以在1.5分鐘內分析1,000種蛋白質結構，計算機視覺并找到附著藥物分子的助于中最佳位置。該研究發表在《通信生物學》上。藥物
蛋白質是靶標控制大多數生物過程的分子，通常是現結藥物的常見靶標。為了產生治療效果，合位藥物應在稱為結合位點的計算機視覺特定位點附著在蛋白質上。的助于中蛋白質的能力，結合至藥物通過該網站的藥物氨基酸序列和空間結構來確定。結合位點是藥理學上真正的“熱點”。已知的結合位點越多，就越有機會創造出更有效，更安全的藥物。
SkoltechCDISE助理教授PetrPopov和博士學位。學生IgorKozlovskii通過將深度學習算法和計算機視覺應用于被視為3D圖像的蛋白質結構，開發了一種新的計算方法，用于時空檢測蛋白質中的結合位點。借助這項新技術，甚至可以檢測到難以捉摸的位點：例如，科學家設法檢測出隱藏在實驗原子結構中或由幾種蛋白質分子形成的結合位點，這些結合位點是用于離子通道，G蛋白偶聯受體和上皮生長因子的，最重要的藥物目標。
Skoltech的研究負責人兼助理教授PetrPopov說：“人類基因組由近20,000種蛋白質組成，其中很少與藥理學目標有關。我們的方法允許在蛋白質中尋找類藥物化合物的結合位點，因此擴大了可能的藥理學靶點的范圍，此外，基于初始結構的藥物發現在很大程度上取決于蛋白質的原子結構的選擇，對具有禁止結合位點或完全缺失藥物的結合位點的結構進行研究可能會失敗。分析蛋白質中的大量結構，并為特定階段找到最合適的結構。”
根據該論文的第一作者IgorKozlovskii的說法，BiteNet在速度和準確性上均優于同類產品：“BiteNet基于計算機視覺，我們將蛋白質結構視為圖像，并將結合位點視為可在該圖像上檢測的對象。分析一個空間結構大約需要0.1秒，評估大約2,000個原子的1,000個蛋白質結構大約需要1.5分鐘。”
