End-to-end protein–ligand complex structure generation with diffusion-based generative models

End-to-end protein–ligand complex structure generation with diffusion-based generative models - BMC Bioinformatics

1. 本研究の学術的背景，研究課題の核心をなす学術的「問い」は何ですか？
本研究の学術的背景は、タンパク質とリガンドの三次元構造が相互作用において何を行っているかを理解することにあります。タンパク質とリガンドが相互作用するプロセスは、医療分野の薬物設計において非常に重要な役割を担っています。しかし、それらの複雑かつ多様な要素のため、三次元構造の予測が困難であり、今までの研究では既存のタンパク質の構造の依存性が高いことが問題となっています。

2. 本研究の目的及び学術的独自性と創造性は何ですか？
本研究の目的は、既存のタンパク質構造に依存しない、より効率的なエンドツーエンドのタンパク質－リガンド複合体構造のモデリング手法の開発です。独自の表現学習手法を採用し、より正確で多様なタンパク質リガンド複合体の構造を生成できるようになります。

3. 本研究の着想に至った経緯や、関連する国内外の研究動向と本研究の位置づけは何ですか？
従来のタンパク質を用いた手法が使用されることが多かった中、本研究はタンパク質を使わず、新たな表現学習手法に基づくエンドツーエンドの複合体構造のモデリング手法を提案しました。近年、ディープラーニング技術の進歩に伴い、タンパク質リガンド複合体の構造モデリングの研究も広がりつつあります。

4. 本研究で何をどのように、どこまで明らかにした？
本研究では、訓練用タンパク質構造を使用しなくても、リガンドの分子グラフと前もってトレーニングされたタンパク質言語モデルからタンパク質＆リガンド共有分布を学習する方法を提案しました。また、提案したエンドツーエンド手法を用いた実験により、現行の手法に比べて高い生成性能と汎用性が得られることがわかりました。

5. 本研究の有効性はどのように検証した？
本研究では、標準ベンチマークにより、ライガンド－タンパク質複合体の生成モデルの性能を比較し、より正確で多様な構造を生成する手法を提案しました。さらに、このモデルは、既存のタンパク質構造情報がない場合でも利用できることが確認されました。