Skoltech计算与数据密集型科学与工程中心(CDISE)的iMolecule小组的科学家开发了BiteNet，这是一种机器学习(ML)算法，可帮助找到蛋白质中的药物结合位点，即潜在的药物靶标。BiteNet可以在1.5分钟内分析1,000种蛋白质结构，并找到附着药物分子的最佳位置。该研究发表在《传播生物学》上。

蛋白质是控制大多数生物过程的分子，通常是药物的常见靶标。为了产生治疗效果，药物应在称为结合位点的特定位点附着在蛋白质上。的蛋白质的能力，结合至药物通过该网站的氨基酸序列和空间结构来确定。结合位点是药理学上真正的“热点”。已知的结合位点越多，创造出更有效和更安全的药物的机会就越多。

Skoltech CDISE助理教授Petr Popov和博士学位。学生Igor Kozlovskii通过将深度学习算法和计算机视觉应用于被视为3D图像的蛋白质结构，开发了一种新的计算方法，用于时空检测蛋白质中的结合位点。借助这项新技术，甚至可以检测到难以捉摸的位点：例如，科学家设法检测出隐藏在实验原子结构中或由几种蛋白质分子形成的结合位点，这些结合位点是用于离子通道，G蛋白偶联受体和上皮生长因子的，最重要的药物目标。

Skoltech的研究负责人兼助理教授Petr Popov说：“人类基因组由近20,000种蛋白质组成，其中很少与药理学目标有关。我们的方法允许在蛋白质中寻找类药物化合物的结合位点，因此扩大了可能的药理学靶点的范围，此外，基于初始结构的药物发现在很大程度上取决于蛋白质的原子结构的选择，对具有禁止结合位点或完全缺失药物的结合位点的结构进行研究可能会失败。分析蛋白质中的大量结构，并为特定阶段找到最合适的结构。”

根据该论文的第一作者Igor Kozlovskii的说法，BiteNet在速度和准确性上均优于同类产品：“ BiteNet基于计算机视觉，我们将蛋白质结构视为图像，并将结合位点视为可在该图像上检测的对象。分析一个空间结构大约需要0.1秒，评估大约2,000个原子的1,000个蛋白质结构大约需要1.5分钟。”