École Polytechnique Fédérale de Lausanne

WEDNESDAY, Jan. 15, 2025 -- Automated analysis of two-dimensional (2D) camera recordings can improve performance for detecting isolated rapid eye movement (REM) sleep behavior disorder (iRBD), according to a study published online Jan. 9 in the Annals of Neurology . Mohamed Abdelfattah, from École Polytechnique Fédérale de Lausanne in Switzerland, and colleagues evaluated the effectiveness of automated analysis of movements recorded on a 2D conventional camera to detect iRBD. The analysis included 172 video-polysomnogram recordings from a clinical sleep center (81 patients with iRBD and 91 non-RBD healthy controls [63 with a range of other sleep disorders and 28 healthy sleepers]). The researchers found that patients with iRBD showed a higher number of shorter movements and immobility periods. Accuracies for detecting iRBD ranged from 84.9 percent (with two features) to 87.2 percent (with five features). The highest accuracy was seen by combining all five features but only analyzing short (0.1- to 2-second duration) movements (91.9 percent). Seven of the 11 patients with iRBD without noticeable movements during video-polysomnogram were correctly identified. "This approach could be implemented in clinical sleep laboratories to facilitate and improve the diagnosis of iRBD," the authors write. "Coupled with automated detection of REM sleep, it should also be tested in the home environment using conventional infrared cameras to detect and/or monitor RBD." Abstract/Full Text Whatever your topic of interest, subscribe to our newsletters to get the best of Drugs.com in your inbox.

具有类药物性质的小分子的合理设计仍然是生物制药研究中的一个突出挑战。基于结构的药物设计（SBDD）旨在寻找具有高亲和力和特异性的结合到蛋白质中特定三维位点的小分子配体。几何深度学习的最新进展，特别是在生物分子三维结构建模方面的进展，为SBDD提供了一个有前途的方向。尽管在使用深度学习作为分子建模方面取得了相当大的进展，但基于深度学习的结合靶蛋白的配体设计仍然是分子建模中的首要问题。 2024年12月9日，瑞士洛桑联邦理工学院Arne Schneuing等人在Nature Computational Science上发表文章Structure-based drug design with equivariant diffusion models。 作者提出了DiffSBDD（Diffusion model for Structure-based drug design，通过扩散模型进行基于结构的药物设计）。DiffSBDD是一个SE(3)-等变扩散模型，它将药物设计建模为基于条件概率的生成问题，以蛋白质口袋为条件，产生新的配体，并用扩散模型实现这一生成过程。实验表明，DiffSBDD的性能超越了现有方法。 如图1所示，作者使用等变去噪扩散概率模型（DDPM）为给定的蛋白质靶点共同生成分子和结合构象。图1a示意图描述了三维扩散过程。在训练过程中，将不同数量的随机噪声应用到实际配体的三维结构中，并通过神经网络学习预测分子的无噪声特征。对于采样，这些预测用于参数化去噪过渡概率，这允许作者逐渐将样本从标准正态分布移动到数据流形上。蛋白质和配体都被表示为3D点云，其中原子类型被编码为单热向量，所有对象都被处理为图。为了提高计算效率，作者为配体和口袋节点之间的分子间边缘以及来自同一分子的两个节点之间的分子内边缘定义了独立可调的距离截止点（图1b）。这意味着信息只能在空间上接近的原子之间传播。 作者的神经网络设计为尊重分子系统的自然对称性，包括旋转和平移，但不包括非重叠变换。也就是说，作者以等变的方式处理刚性变换，而不是反射。这种设计选择的动机是充分研究了药物的立体化学影响其活性和毒性的例子。例如，抗抑郁药西酞普兰（图1e）有两个对映体，但只有S对映体具有预期的治疗效果。然而，分子的S和R形式之间的差异只能通过反射敏感的GNN来检测。 图1 DiffSBDD结构图 DDPM是一类受非平衡热力学启发的生成模型。简而言之，DDPM定义了随机扩散步骤的马尔可夫链，通过缓慢地向样本数据中添加噪声，然后学习该过程的反向（通常通过神经网络）来从噪声中重建数据样本。在本文中，数据样本是具有三维几何坐标的原子点云zdata，将噪声添加到数据zdata中，并在t = 0，…，t时产生潜在噪声表示zt。随后在反向过程中，使用神经网络来近似样本去预测高斯噪声，通过优化数据的变分下界来训练观察数据的似然最大化。 在基于人工智能的结构生物学中，通常的做法是将已知的几何约束（通常是旋转和平移的等方差）直接编码到神经网络架构中，从而促进学习任务，因为可能的神经网络操作仅限于一个有意义的子集。在3D分子生成设置中，作者明确排除了反射等变操作，因为它们会使模型对立体化学的某些方面视而不见。众所周知，不同的立体异构体可能具有根本不同的治疗效果(例如图1e)，甚至可能导致不可预见的脱靶活性，从而产生毒性。因此，作者开发了一种反射敏感的神经网络，该系统是SE(3)-等变而不是E(3)-等变。作者在蛋白质口袋的三维表示意义上确保SE(3)-等方差，即表示不依赖于系统的全局SE(3)-变换。同时，应该有可能从这个条件概率分布中生成样本，这样，如果输入口袋在旋转并平移中采样，则等价变换的配体也将以相同的概率采样。这个定义明确地排除了与手性相关的反射，并且可以改变生物分子的性质。 在作者的设置中实现了正交群O(3)（包括旋转和反射）的等变性，因为作者用各向同性高斯模型来模拟先验概率和过渡概率，其中平均向量相对于上下文的旋转进行等变性变换。然而，确保平移等变性更难，因为过渡概率本质上不是平移等变性。为了避免这个问题，作者遵循先前的研究，将整个采样过程限制在系统质心（COM）为零的线性子空间中。在实践中，这是通过在执行似然计算或去噪步骤之前减去系统的COM来实现的。由于过渡概率的等方差取决于噪声预测器的参数化，作者可以在神经网络的坐标更新中使用简单的加性交叉积项使模型对反射敏感。 图神经网络（GNN）可看做是一种可学习的函数，它以排列等变的方式处理图结构数据，这使得它们对节点没有内在顺序的分子系统特别有用。由于分子图的节点表示原子的三维坐标，作者对欧几里得群E(3)或刚性变换的附加等方差感兴趣，因此应用一个E(3)-等变GNN（EGNN）。作者没有更新属于口袋的节点坐标，以确保3D蛋白质背景在EGNN层中保持固定。在此基础上，作者可以通过在坐标更新中添加一个与交叉积相关的项来打破对反射的对称性，从而使GNN层SE(3)-等变，如图1f所示。 对于如图1c所示的子结构修饰，原子的初始子集是固定的，并作为作者期望的条件的分子背景。所有其他原子都是由DDPM产生的。为此，作者对扩散表示进行采样。然后，对于每个去噪步骤，作者将生成的原子替换为对应于与发出前向噪音的同类节点，以这种方式，逆序遍历马尔可夫链以生成条件样本。由于噪声调度在t = 0时将噪声过程的方差降低到几乎为零，因此保证最终样本包含固定原子的无扰动表示。该方法通过从扩散模型中采样时固定所有口袋节点，应用于口袋条件配体设计。由于对无质心系统定义了等变扩散过程，为了防止COM移位，作者因此转换固定原子表示，使其COM与预测表示一致。然而，这种简单的替换方法不可避免地引入了近似误差，因此，作者选择采用概念上更简单的重采样，其中每个潜在表示在推进到下一个时间步之前反复扩散，这使得模型能够协调其对生成部分的预测和来自固定部分的噪声样本，固定部分不包含任何关于生成部分的信息。应用了这一过程的DiffSBDD被称为DiffSBDD-joint（与单独基于条件概率的DiffSBDD-cond相区分）。 为了进行如图1d所示的性能优化，作者首先使用正向扩散过程对实验蛋白质-配体复合物中的一个分子进行少量步数噪声处理。从这个部分去噪的样本中，可以用相反的过程去噪适当数量的步骤，直到t=0。这种快速噪声/去噪过程中的随机性使模型能够在保持相同化学空间区域的同时，对不同性质的新候选物进行采样。作者通过将部分去噪/去噪过程与针对特定分子特性进行优化的简单进化算法相结合来扩展这一思想，在优化过程的每个阶段，生成100个新分子。分子通过在10和150之间随机选择的t进行局部降噪/去噪来修改。然后将新分子传递给打分函数（例如，对接程序或合成可及性预测器）进行排名。然后选择前10个分子作为新种群的种子。 作者将DiffSBDD与一些具有代表性的方法进行了比较。图2a显示，DiffSBDD和Pocket2Mol Vina分数都以参考为中心，但扩散模型的分布更大，这意味着它们的样品含有更大比例的低分数分子，但也有可能比天然对应物结合更紧密的配体。在下游设计应用中，更多的高分分子尤其重要，因为我们通常会寻找最具竞争力的粘合剂，而不是一般的候选材料。Binding MOAD数据集具有实验确定的结合复合物，也有类似的观察结果。然而，与CrossDocked情况不同的是，该数据集的对接分数平均低于相应参考配体的分数，因为Binding MOAD训练集要小得多，并且还包含更具挑战性的基真配体（天然结合物），而CrossDocked复合物可能具有不切实际的蛋白质-配体相互作用。这一假设得到了来自合成数据集的参考分子的平均Vina分数（- 7.68比- 9.17）的支持。这一结果强调了高质量训练集对于旨在设计高亲和力结合物的SBDD模型的重要性。最后，DiffSBDD模型产生的分子与参考分子的平均相似度略高（图2a，d），并且含有与天然配体相当数量的五元和六元环（图2b，e）。 然而，分别由少于4个或多于7个原子组成的非常小和非常大的环系统在DiffSBDD分子中通常表现得过多。值得一提的是，两种调节方法（DiffSBDD-cond和DiffSBDD-joint）之间的差异通常比DiffSBDD和其他模型之间的差异要小得多。因此，经验证据并不明确地支持一种条件扩散方法优于另一种。 图2c，f显示了每个测试集中一个目标的代表性分子选择。筛选的选择包含药物样例（定量估计药物相似度(QED) >0.5）和类似于从烯胺筛选收集的可购买分子。这代表了人们可能在药物设计活动中寻找的有利特性。例如，具有蛋白数据库（PDB）标识符6c0b的靶标是一种人类受体，参与微生物感染并可能抑制肿瘤。参考分子是一种辅助受体结合的长脂肪酸（图2f，底部），其可旋转键的数量过高，而氢键供体/受体的数量较低，因此不被认为是合适的类药物化合物（QED = 0.36）。然而，模型通过添加由几个可旋转键连接的芳香环来生成类药物（第一个例子中的QED = 0.87）和适当大小的分子。 图2 与其他方法对比 作者设计了消融实验来验证模型设计的有效性，可视化重采样的模型性能的影响。如图3所示，作者对比了骨架跳跃(A)、骨架细化(B)、片段合并(C)、片段生长(D)和片段连接(E)的设计示例。模型的输入（固定原子）用蓝色表示，输出（设计的分子）用绿色表示，原始分子用洋红色表示，以供参考。给出了接地真值结构的PDB编码。在片段合并的情况下，我们用PDB代码显示了两种不同晶体结构的片段。(F)和(G)中，随着重采样步骤的增加，生成的分子与靶标的契合程度越来越高，表明了重采样的必要性。 图3 消融实验 作者还进行了案例分析。如图4所示，（A-D）可视化单性质分子优化实验。(A)从PDB代码5ndu启动抑制剂。(B)超过8代的QED优化。(C)超过7代的SA优化。(D) 3代以上的对接评分优化。作者发现，在随后几代的优化中，对接分数不断得到优化，但这是以牺牲分子质量为代价的。（E-G）可视化激酶抑制剂特异性优化实验。(E)显示了作者感兴趣的两个激酶（BIKE和MPSK1）之间的高度结构相似性。(F)轨迹图显示了激酶抑制剂优化过程中每次迭代中得分最高的分子。(G)具有相应Vina对接分数的天然分子和最终分子的分子图和结合构象的可视化表示。在（B-D）箱线图中的框代表数据的上、下四分位数以及中位数。须表示四分位间距的1.5倍。碳、氧、氮和硫分别以品红、红色、深蓝色和黄色表示。B-D中，QED：类药性的定量评价，SA：合成可达性，Sim：Tanimoto量度的生成分子与参考分子相似度。 图4 案例分析 本文提出了DiffSBDD，通过SE(3)-等变扩散模型进行SBDD，其性能超过了现有的方法。目前，许多用于SBDD的机器学习方法只专注于从头开始生成新的配体，这通常限制了它们的样品质量和可合成性，并最终阻碍了设计的实验室验证。虽然化学物质的纯粹从头设计对我们的扩散模型仍然具有挑战性，但可以证明，在扩散模型的概率约束下，生成模型已经准备好纳入药物开发流程。此外，进一步的局部化学空间优化设计配体的能力在现实世界的药物发现中很重要，并有效提高了初始设计的质量。本文还表明，如果适当设计采样程序，通用扩散模型可以发挥更强大的潜力。未来的研究可以通过改进模型对一般概率分布的学习能力，在药物设计任务中获得更好的性能。 参考文献 Schneuing et al. Structure-based drug design with equivariant diffusion models. Nature Computational Science. 2024 --------- End --------- 感兴趣的读者，可以添加小邦微信加入读者实名讨论微信群。添加时请主动注明姓名-企业-职位/岗位 或  姓名-学校-职务/研究方向。

撰文丨王聪 编辑丨王多鱼 排版丨水成文 脊髓损伤（Spinal cord injury，SCI）破坏了大脑和腰椎脊髓神经元之间的信息交流，常导致瘫痪或运动功能受损，这些神经元必须被激活才能产生行走能力。 当脊髓损伤不完全时，来自位于大脑的脊髓投射神经元群的残余投射的重组恢复了足够程度的信息交流，以介导自发的行走能力的部分恢复。虽然大脑的许多区域与无损伤时的行走协调有关，但还不清楚哪些区域受到脊髓损伤的影响最大，也不清楚其他脑区能如何支持康复并帮助恢复行走能力。 2024年12月2日，洛桑联邦理工学院和洛桑大学医院的研究人员在 Nature Medicine 期刊发表了题为：Hypothalamic deep brain stimulation augments walking after spinal cord injury 的研究论文。 该研究显示，对外侧下丘脑进行深部脑刺激，能够改善脊髓损伤患者的行走能力并促进康复，这一发现凸显出未来针对特定脑区使用深部脑刺激治疗脊髓损伤患者的潜力。 该团队此前通过脊髓电刺激，成功帮助多名已完全瘫痪的脊髓损伤患者恢复了独立运动能力。 Jocelyne Bloch（左），Grégoire Courtine（右） 对整个大脑中对生物扰动做出反应的区域和神经元进行优先级排序是神经科学领域的一个基本挑战。解决这一挑战的核心是开发出在大型生物体中同时实现解剖学和功能性全脑细胞分辨率成像的技术。 在这项最新研究中，研究团队使用3D成像技术绘制了脊髓损伤小鼠在康复阶段的大脑活动，以确定在此期间有哪些脑区参与行走。他们发现，外侧下丘脑（Lateral Hypothalamus，LH，该脑区通常负责唤起、进食和动力）区域的谷氨酸能神经元（LHVglut2）似乎在脊髓损伤后的康复中发挥重要作用，增加它们的活动可以改善行走能力，这为治疗干预提供了潜在新靶点。 然后，研究团队针对外侧下丘脑进行了深部脑刺激（deep brain stimulation），结果显示，该疗法立刻增强了各种脊髓损伤的小鼠和大鼠的行走能力。 接下来，研究团队测试了对外侧下丘脑进行深部脑刺激是否能改善两名慢性不完全脊髓损伤患者的行走能力。 结果显示，这两名原本需要依靠辅助设备行走且仍有步态问题的脊髓损伤患者，在外侧下丘脑深部脑刺激后，在10米和6分钟的步行测试中，行走能力都得到了改善，下半身运动能力也有所改善。当与康复治疗结合时，即使关闭深部脑刺激，患者的康复效果仍能持续。且未发生治疗相关不良事件。 这些结果凸显了针对特定脑区以最大限度地激活脊髓投射神经元、促进神经功能恢复的可能性。研究团队认为，尽管还需更大规模的研究对更多患者进行测试以评估其安全性，但用深部脑刺激激活外侧下丘脑的神经元能有助于恢复一些严重脊髓损伤患者的部分运动能力。 论文链接： https://www-nature-com.libproxy1.nus.edu.sg/articles/s41591-024-03306-x 设置星标，不错过精彩推文 开放转载 欢迎转发到朋友圈和微信群  微信加群  为促进前沿研究的传播和交流，我们组建了多个专业交流群，长按下方二维码，即可添加小编微信进群，由于申请人数较多，添加微信时请备注：学校/专业/姓名，如果是PI/教授，还请注明。 点在看，传递你的品味