AI pomoże analizować RNA. IIMCB rozwija dwa narzędzia do poszukiwania nowych, aktywnych biologicznie cząsteczek

Badacze z Międzynarodowego Instytutu Biologii Molekularnej i Komórkowej w Warszawie (IIMCB) wykorzystają sztuczną inteligencję do przewidywania, w jaki sposób małe związki chemiczne oddziałują z RNA oraz kompleksami tworzonymi przez kwasy nukleinowe i białka. Trafniejsza selekcja obiecujących cząsteczek może ograniczyć liczbę kosztownych eksperymentów i usprawnić wczesne etapy poszukiwania nowych leków. Narodowe Centrum Nauki finansuje oba projekty kwotą ponad 2,1 mln zł.

Projekty DeepLeaRNA i DeepGeNAPL mają wspierać najwcześniejsze etapy poszukiwania nowych związków biologicznie aktywnych. Pierwszy z nich skupi się na przewidywaniu i wyjaśnianiu oddziaływań małych cząsteczek z RNA. Drugi – przeprowadzi analizy kompleksów RNA i DNA z białkami oraz pomoże projektować nowe, potencjalnie aktywne cząsteczki.

Pierwszy projekt poprowadzi dr hab. Filip Stefaniak, drugi – dr Grigory Nikolaev. Obaj pracują w Laboratorium Bioinformatyki i Inżynierii Białka w IIMCB.

Dlaczego RNA pozostaje trudnym celem terapeutycznym

RNA nie tylko przenosi informację genetyczną, lecz także reguluje aktywność genów i uczestniczy w procesach zachodzących w komórkach. Zwykle działa przy tym wspólnie z białkami, tworząc kompleksy, które kontrolują ekspresję genów, odpowiedź immunologiczną i inne procesy komórkowe. Zarówno sam RNA, jak i jego kompleksy białkowe od lat znajdują się w centrum zainteresowania badaczy poszukujących nowych terapii, ponieważ odgrywają kluczową rolę w funkcjonowaniu organizmów.

Małe związki chemiczne mogą wiązać się z RNA i zmieniać jego strukturę lub funkcję. Problem polega na tym, że przewidywanie takich oddziaływań jest wciąż niezwykle trudne. Naukowcy często nie wiedzą, czy dana cząsteczka połączy się z wybraną strukturą RNA, gdzie nastąpi wiązanie ani które jej elementy będą za nie odpowiadały.

DeepLeaRNA: AI, która pokazuje nie tylko wynik, ale także jego uzasadnienie

Projekt kierowany przez dr hab. Filipa Stefaniaka z IIMCB koncentruje się na oddziaływaniach RNA z małymi cząsteczkami chemicznymi. Narzędzie DeepLeaRNA połączy metody uczenia maszynowego z modelowaniem molekularnym, aby przewidywać, czy dany ligand może związać się z określoną strukturą RNA.

Najważniejszym elementem projektu ma być jednak nie samo przewidywanie, lecz możliwość wyjaśnienia, dlaczego model wskazał właśnie taki wynik. Narzędzie będzie identyfikowało potencjalne miejsca wiązania liganda do RNA, analizowało możliwe ułożenie cząsteczki oraz wskazywało cechy strukturalne i chemiczne, odpowiedzialne za to oddziaływanie.

Takie informacje mogą pomóc badaczom nie tylko wybrać najbardziej obiecujące związki do dalszych badań, lecz także zrozumieć, które fragmenty ich struktury warto zmodyfikować.

– Sama odpowiedź – wiąże się albo nie wiąże się – nie wystarczy. Badacze chcą wiedzieć również, dlaczego dochodzi do oddziaływania i które fragmenty cząsteczki o nim decydują. DeepLeaRNA ma dostarczać właśnie takich wyjaśnień – tłumaczy dr Stefaniak.

DeepGeNAPL: od analizy do projektowania nowych cząsteczek

Projekt kierowany przez dr Grigory’ego Nikolaeva z IIMCB rozszerza zakres badań na bardziej złożone układy, w których DNA lub RNA oddziałują z białkami.

Narzędzie DeepGeNAPL będzie działało dwuetapowo. Najpierw przeanalizuje sposób, w jaki małe związki chemiczne oddziałują z kompleksami kwasów nukleinowych z białkami. Następnie wykorzysta te informacje do projektowania nowych kandydatów molekularnych.

Celem projektu jest ułatwienie wyboru związków, które warto poddać dalszym badaniom doświadczalnym. Narzędzie ma pomóc zawęzić liczbę potencjalnych cząsteczek jeszcze przed rozpoczęciem czasochłonnych i kosztownych eksperymentów laboratoryjnych.

– Chcemy połączyć analizę oddziaływań z projektowaniem kolejnych ligandów. System ma pomóc wybrać związki o największym potencjale do dalszych badań. Nie zastąpi jednak badań doświadczalnych i nie oznacza opracowania gotowego leku – objaśnia dr Nikolayev.

Dwa projekty, jeden cel

Choć oba projekty koncentrują się na różnych układach biologicznych, odpowiadają na to samo wyzwanie: jak szybciej i trafniej wskazywać cząsteczki, które warto sprawdzić w laboratorium.

DeepLeaRNA będzie analizował oddziaływania małych związków z RNA i wyjaśniał, z czego wynikają przewidywania modelu. Równocześnie DeepGeNAPL rozszerzy tę analizę na kompleksy kwasów nukleinowych z białkami oraz wykorzysta uzyskaną wiedzę do projektowania nowych kandydatów molekularnych.

– Cieszę się, że Filip i Grigory będą realizować te projekty w naszym laboratorium. Planowane badania są komplementarne wobec innych prac naszego zespołu nad kwasami nukleinowymi, białkami i małymi cząsteczkami. Razem wzmacniają nasze możliwości badania oddziaływań molekularnych poprzez połączenie bioinformatyki strukturalnej, uczenia maszynowego i badań doświadczalnych – podsumowuje prof. dr hab. Janusz Bujnicki, kierujący Laboratorium Bioinformatyki i Inżynierii Białka w IIMCB.

Oba projekty mają wspierać badaczy na wczesnym etapie odkrywania nowych związków biologicznie aktywnych. Nie zastąpią badań eksperymentalnych ani nie pozwolą automatycznie opracować nowych leków. Ich zadaniem jest pomoc w zrozumieniu złożonych oddziaływań molekularnych i ograniczenie liczby związków kierowanych do kosztownych testów laboratoryjnych.

Projekty rozwijają badania prowadzone w IIMCB na styku sztucznej inteligencji, bioinformatyki strukturalnej i biologii kwasów nukleinowych. Wykorzystują także doświadczenie Instytutu w modelowaniu struktur RNA, analizie oddziaływań molekularnych oraz badaniu złożonych układów makromolekularnych.

Choć oba projekty są od siebie niezależne i mają charakter badań podstawowych, mogą w przyszłości usprawnić jeden z najbardziej czasochłonnych etapów odkrywania nowych związków biologicznie aktywnych: wybór kandydatów do badań eksperymentalnych.

Finansowanie

DeepLeaRNA

Projekt 2025/59/B/NZ2/01768 pt. „Data-driven Methodology for Predicting, Explaining, and Understanding of RNA and Small Molecule Ligand Binding”, kierowany przez dr hab. Filipa Stefaniaka, otrzymał 1 458 376 zł w konkursie OPUS 30 Narodowego Centrum Nauki.

DeepGeNAPL

Projekt 2025/59/D/ST6/02248 pt. „Deep learning-driven design of small molecules targeting nucleic acid–protein complexes”, kierowany przez dr Grigory’ego Nikolaeva, otrzymał 687 092 zł w konkursie SONATA 21 Narodowego Centrum Nauki.