LOGICS: Learning optimal generative distribution for designing de novo chemical structures

LOGICS: Learning optimal generative distribution for designing de novo chemical structures - Journal of Cheminformatics

1. 本研究の学術的背景は、計算による薬物設計分野で、人工知能（AI）モデルが新規化合物を生成し、それらが所望の特性や生物学的活動性を持つようになったことです。しかし、深層生成モデルの訓練に必要なデータの不足から、これらの手法の一部は別の予測器から得られたデータを用いて分子生成器を微調整しています。生成モデルが所望の目標特性を持つ構造を生成できることが示されていますが、生成された構造体の多様性やそれらの化学空間の範囲が目標分子の分布と一致するかどうかはまだ不明確です。

2. 本研究の目的は、最適な生成分布を反復的に学習し、目標化学構造設計のためのフレームワーク、「LOGICS」を開発することです。このフレームワークでは、新しい選択肢を探求するか、現在の知識を活用するかを検討する「探索—探検のジレンマ」に取り組んでいます。私たちは、この問題に取り組むため、経験記憶を組み込み、レイヤード・トーナメント選択アプローチを使用して微調整プロセスを改良しています。

3. この研究は、AIを用いた薬物設計の新しいフロントラインで展開されています。前述の「探索—探検のジレンマ」を解決するための新たなフレームワーク、LOGICSのアイデアは、化合物の生成とそれらの医薬品としての潜在能力を最適化することに対する需要から来ています。

4. 本研究では、κ-オピオイド受容体とPIK3CAという2つの目標タンパク質の結合親和性最適化に、提案した方法を適用しました。生成分子の質と分布は評価され、結果、LOGICSは競合する最新のモデルを上回り、より多様な新規化学構造を生成し、その特性を最適化することができることが明らかにされました。

5. LOGICSの有効性は、特定のターゲット蛋白質の結合親和性を最適化するために提案された方法を適用し、生成された分子の質と分布を評価することで確認しました。結果として、LOGICSは他の先進モデルよりも優れた結果を出し、物性が最適化されたより多様な新規化学構造を生成しました。