周期性ペプチド膜の浸透性を予測するための13のAI方法の体系的ベンチマーク
Wei Liu1, Jianguo Li2,3, Chandra S Verma2,4,5
1Bioinformatics Institute, Agency for Science, Technology and Research, 30 Biopilis Street, Singapore, 138671, Singapore. liuwei@bii.a-star.edu.sg.
Journal of cheminformatics
|August 28, 2025
まとめ
機械学習モデルは,循環性ペプチド膜の透過性を予測し,薬の発見に役立ちます. DMPNNのようなグラフベースのモデルは,細胞に浸透する薬剤候補の識別を向上させ,最高のパフォーマンスを示しています.
科学分野:
- コンピュータ化学
- 薬物の発見
- 機械学習
背景:
- 循環性ペプチドは,タンパク質とタンパク質の相互作用を調節する貴重な薬剤候補である.
- 膜の透過性が悪いので 治療的な使用が困難です
- 透過性の計算による予測は 薬の開発を簡素化できます
研究 の 目的:
- 周期性ペプチド膜の浸透性を予測するための機械学習モデルをベンチマークする.
- 異なる分子表現とモデルアーキテクチャを評価する.
- 回帰と分類のタスクの予測パフォーマンスを評価する.
主な方法:
- 異なる分子表現 (指紋,SMILES,グラフ,画像) を用いた13の機械学習モデルを評価した.
- CycPeptMPDBデータベースから約6000の周期性ペプチドのPAMPA浸透性データを利用した.
- モデルの一般化性を評価するためにランダムとエスカフォード分割戦略を使用した.
主要な成果:
- モデルの性能は分子表現と構造によって大きく変化した.
- グラフベースのモデル,特にダイレクトメッセージパスニューラルネットワーク (DMPNN) は優れたパフォーマンスを示しました.
- レグレッションタスクは一般的に分類タスクよりも良い結果をもたらしました.
- スキャフォールド分割はランダム分割よりも一般化性が低いことを示した.
結論:
- 機械学習,特にグラフベースのアプローチは,周期性ペプチドの透過性を予測するのに有望である.
- 現在のモデルには実用的な価値がありますが,さらなる改善が必要です.
- モデルの一般化性を理解することは,信頼性の高い予測に不可欠です.
