Переназначение лекарств на основе машинного обучения для HER2-позитивного рака груди

Почему старые препараты важны при сложных формах рака груди

Для многих людей с агрессивной формой рака груди, называемой HER2-позитивной, современные таргетные препараты со временем могут терять эффективность, а разработка новых лекарств занимает много лет и требует больших затрат. В этом исследовании изучается, не скрываются ли среди тысяч уже существующих препаратов те, что способны блокировать опухоли, управляемые HER2, с помощью продвинутых компьютерных инструментов для поиска скрытого противоракового потенциала.

Понятно о сути проблемы

HER2-позитивный рак груди обусловлен белком на поверхности раковых клеток, который постоянно посылает сильные сигналы роста и деления. При избытке HER2 клетки быстро размножаются и часто дают метастазы, при этом они могут научиться обходить действие современных препаратов против HER2. Поскольку создание принципиально новых лекарств может занимать десятилетия, идея переназначения лекарств выглядит привлекательно: вместо того чтобы начинать с нуля, учёные проверяют, не могут ли уже одобренные препараты, известные как безопасные для других заболеваний, также выключать HER2 в раковых клетках.

Как компьютеры помогают просмотреть тысячи препаратов

Исследователи сначала собрали подробные данные почти о 14 000 химических соединений, которые тестировались против HER2, включая степень, в которой каждое блокировало белок. Они превратили каждую молекулу в сотни числовых признаков, описывающих размер, форму, заряд и другие свойства. На основе этих данных обучили несколько типов моделей машинного обучения, чтобы выявить связь между структурой молекулы и её способностью ингибировать HER2. После тщательной очистки данных и удаления слабых или избыточных признаков наилучшие прогнозы показала модель типа Random Forest, объясняя примерно четырёх пятых вариации активности для новых молекул.

От предсказания к докингу внутри мишени рака

Вооружившись этой моделью, команда обратилась к реальной библиотеке из 4 099 одобренных препаратов и сузила её до более чем 1 600 чистых, хорошо описанных малых молекул. Компьютерная модель оценивала, насколько сильно каждый препарат мог бы блокировать HER2, выделяя подмножество, предсказанное как особенно сильное. Эти лидеры затем были «задокинжены» в трёхмерные структуры нормального белка HER2 и проблемной мутантной формы, встречающейся в некоторых резистентных раках. Моделирование докинга похоже на виртуальную проверку «замок и ключ»: оно оценивает, насколько плотно препарат входит в активный карман HER2 и какие атомные контакты он может сформировать.

Наблюдение за наиболее перспективным кандидатом во времени

Один препарат для сердца и глаз — тимолол малеат (в исследовании обозначен как FDA0870) — неоднократно выделялся. Он занимал высокие позиции как в скрининге машинного обучения, так и в докинге для нормального и мутантного HER2, формируя сильные водородные связи и гидрофобные контакты с ключевыми участками, контролирующими активность белка. Чтобы проверить, выдержит ли это связывание в более реалистичных условиях, исследователи провели длинные молекулярно-динамические симуляции, имитирующие, как молекулы колеблются и движутся в водной, похожей на биологическую, среде. В течение наносекунд — микросекунд моделируемого времени тимолол оставался стабильно закреплённым в кармане HER2 для обеих форм белка. Дополнительные компьютерные оценки абсорбции, распределения, метаболизма, выведения и токсичности показали, что его существующий фармакологический профиль, умеренная проницаемость и безопасность в целом подходят для дальнейшего изучения.

Что это может означать для пациентов

Проще говоря, эта работа показывает, что интеллектуальные компьютерные цепочки обработки данных могут просеивать огромное число известных препаратов и выявлять те, которые с наибольшей вероятностью сработают против трудных форм рака ещё до начала лабораторных или доклинических испытаний. Среди множества исследованных одобренных препаратов тимолол проявил себя как сильный кандидат для переназначения в качестве двойного блокатора как стандартного, так и мутантного HER2 при раке груди. Хотя результаты чисто вычислительные и требуют подтверждения в экспериментах на клетках и животных, они указывают на более быстрый и потенциально менее затратный путь для появления новых средств против HER2-позитивной болезни за счёт дачи знакомым препаратам новой роли.

Цитирование: Dinesh, B.G.H., Ganjipete, S., Kumar, B.S. et al. Machine learning-driven drug repurposing for HER2-positive breast cancer. Sci Rep 16, 15868 (2026). https://doi.org/10.1038/s41598-026-45361-z

Ключевые слова: HER2-позитивный рак груди, переназначение препаратов, машинное обучение, молекулярный докинг, тимолол