Анализ DrugBank с помощью машинного обучения выявляет новые кандидаты для ингибирования BCL-2

Почему важно искать более изящные противораковые препараты

Раковые клетки часто отказываются умирать тогда, когда должны. Многие опухоли выживают за счёт чрезмерной активности семейства «охранных» белков BCL-2, которые блокируют встроенную программу самоуничтожения клетки. Препараты, нацеленные на BCL-2, уже существуют, но они могут вызывать побочные эффекты и не помогают всем пациентам. В этом исследовании показано, как современные методы машинного обучения могут просеять тысячи уже известных лекарств в поисках новых, более безопасных кандидатов, способных обезвредить BCL-2 и помочь раковым клеткам запустить самоуничтожение.

Как клетки выбирают между жизнью и смертью

Здоровые ткани постоянно удаляют повреждённые или ненужные клетки через контролируемый процесс самоуничтожения, известный как апоптоз или программируемая гибель клетки. Группа белков семейства BCL-2 выступает в роли центрального переключателя этого решения. Одни члены семьи склоняют клетку к выживанию, другие — к смерти. Во многих видах рака продуцируются в избытке белки, поддерживающие выживание, включая BCL-2 и его близкий родственник BCL-XL. Эта дополнительная защита позволяет раковым клеткам игнорировать сигналы к смерти и сопротивляться химиотерапии. Поэтому блокирование BCL-2 стало привлекательной стратегией в лечении рака, но существующие препараты часто затрагивают родственные белки, что приводит к побочным эффектам, таким как опасное снижение числа тромбоцитов.

Обучение компьютеров распознавать перспективные молекулы

Вместо поиска новых соединений «с нуля» исследователи обратились к базам данных молекул, которые уже изучались или использовались как лекарства. Они начали с большого публичного ресурса ChEMBL, содержащего экспериментальные измерения силы связывания различных химикатов с BCL-2. После тщательной очистки данных — удаления дубликатов, сомнительных измерений и чрезмерно крупных или необычных молекул — в наборе осталось 601 хорошо охарактеризованное соединение. Каждую молекулу перевели в некую цифровую «отпечаток», отражающий её структурные признаки. Эти отпечатки использовали для обучения и сравнения семи разных моделей машинного обучения в задаче решения, будет ли новая молекула вероятным сильным блокатором BCL-2 или по сути неактивна.

Выбор лучшей модели и сканирование библиотеки лекарств

Команда оценивала модели на отдельном тестовом наборе, который не использовался при обучении, проверяя не только частоту правильных предсказаний, но и то, насколько хорошо модель различает активные и неактивные соединения и насколько сбалансированы её прогнозы. Модель под названием LightGBM — современный бустинговый метод на деревьях — показала лучшие результаты по большинству показателей, включая общую точность и способность выдавать надёжные вероятности. С настроенной моделью в руках исследователи обратились к DrugBank, курируемой коллекции более 12 000 одобренных, экспериментальных и отозванных препаратов. После вычисления того же типа отпечатков они спросили LightGBM, какие из этих молекул выглядят как потенциальные ингибиторы BCL-2. Лишь девять соединений получили высокий рейтинг — примерно верхняя одна десятая процента всей библиотеки — что показывает, что виртуальный скрининг был очень селективен. Четверо из девяти были уже известны как ингибиторы BCL-2, что добавило команде уверенности в адекватности подхода.

От компьютерных хитов к молекулярным взаимодействиям

Среди оставшихся высоко оценённых молекул исследователи сосредоточились на трёх, ранее не связанных с BCL-2: Dersalazine, Opelconazole и Zongertinib. Чтобы проверить, могут ли эти кандидаты правдоподобно поместиться в карман связывания BCL-2, они использовали компьютерный докинг — метод, предсказывающий, как малая молекула может сесть в поверхность белка. Симуляции показали, что особенно Opelconazole и Zongertinib формируют сеть благоприятных контактов с теми же ключевыми аминокислотами, которые удерживают хорошо изученный эталонный препарат ABT-737. Их предсказанные силы связывания были близки к показателям известных ингибиторов, что указывает на то, что модель машинного обучения действительно выявила молекулы, способные нейтрализовать BCL-2.

Проверка предсказаний в лаборатории

Компьютерные подсказки ценны лишь в том случае, если они выдерживают проверку в реальных условиях. Поэтому команда протестировала три кандидата в биохимическом анализе, измеряющем, насколько хорошо соединение препятствует связыванию BCL-2 с одним из его природных партнёров. В широком диапазоне концентраций Dersalazine показала малоэффективность. Opelconazole и Zongertinib, однако, оба снижали активность BCL-2 при высоких дозах, причём Opelconazole почти полностью подавлял сигнал. Хотя эти концентрации выше, чем было бы желательно для препарата, готового к клиническому применению, они демонстрируют, что кандидаты действительно взаимодействуют с BCL-2 и подтверждают работоспособность общего конвейера открытия.

Что это значит для будущих противораковых терапий

Для неспециалиста основной вывод состоит в том, что исследователи успешно обучили компьютерную систему распознавать, как «выглядит» молекула, блокирующая BCL-2, а затем использовали её для поиска в большой библиотеке существующих лекарств и лекареподобных соединений. Подход вновь обнаружил известные препараты против BCL-2 и выделил новые кандидаты, двое из которых продемонстрировали реальную ингибирующую активность в лабораторных тестах. Хотя предстоит ещё много работы — повышение активности, изучение безопасности и испытания в клетках и на животных — это исследование показывает, как машинное обучение и аккуратная подготовка данных могут ускорить поиск лучших противораковых средств за счёт повторного использования и переоценки уже известных соединений.

Цитирование: Park, J., Cho, S., Lee, H. et al. DrugBank mining with machine learning reveals novel candidates for BCL-2 inhibition. Sci Rep 16, 5482 (2026). https://doi.org/10.1038/s41598-026-35117-0

Ключевые слова: ингибиторы BCL-2, машинное обучение, репозиционирование лекарств, апоптоз, терапия рака