![見出し画像](https://assets.st-note.com/production/uploads/images/118602295/rectangle_large_type_2_d24d0487943e54e8d71897b2334d14c1.png?width=1200)
Deep interactome learning for de novo drug design
本研究の学術的な「問い」は、「特定の化学的および薬理学的特性を持つ分子を新たに生成する新薬設計に、独自の深層学習を活用した計算アプローチが可能か?」です。これは、これまでの薬物設計の方法には限界があったからです。
本研究の目的は、グラフニューラルネットワークと化学言語モデル両方の独自の強みを活用し、特定の活用や転送、少数強化学習が不要な薬物設計手法を提案することです。さらに、特定の生物活性、合成可能性、そして構造の新規性を持つ化合物のライブラリーを作り出すことができます。
本研究の着想は、化学言語モデル(CLMs)という分子構造をシーケンスとして表現し処理する機械学習技術が新薬設計に広く使われるようになり、それを更に進化させる可能性があると考えたからです。また、これまでの薬物設計手法には限界があったこと、そして最近、分子間の相互作用ネットワーク(interactomes)の研究が進み、その効果が認識されるようになってきたことから、これを基に新たなアプローチを試みました。
本研究では、Dragonflyという新たな深層学習モデルを開発し、その有効性を試すために新たなリガンド(結合分子)を生成しました。得られたリガンドを化学的に合成し、その特性を解析しました。その結果、予想通りの活性と選択肢さを示すPPAR部分作用薬を見つけることができ、結晶構造の観察により予想した結合様式が確認できました。
本研究の有効性は、実際にDragonflyを用いて生成した化合物を化学的に合成し、その特性について実際に検査することにより検証されました。生成した化合物が予測通りの活性と選択肢さを示し、さらにその結晶構造からも予測通りの結合様式が観測されたことから、Dragonflyが有効な薬物設計モデルであることが示されました。
この記事が気に入ったらサポートをしてみませんか?