メタボGNN:グラフニューラルネットワークと種間データを用いて肝臓の代謝安定性を予測する
Jun Hyeong Park1,2, Ri Han3, Junbo Jang4,5
1Department of Radiation Oncology, Ajou University School of Medicine, Suwon, 16499, Republic of Korea.
Journal of cheminformatics
|September 3, 2025
まとめ
MetaboGNNは新しいグラフニューラルネットワークモデルで,薬の代謝安定性を正確に予測します. 分子構造や 種間の違いから学ぶことで 薬の発見を改善し 伝統的な方法を上回ります
科学分野:
- * 計算化学と化学情報学
- * 薬の発見と開発
- * 薬理学における機械学習
背景:
- * 薬剤の代謝安定性は,クリアランス,半減期,および生物利用性に影響する,薬理学的に重要なものです.
- * 代謝安定性の正確な予測は,薬剤発見パイプラインを加速します.
- * グラフニューラルネットワーク (GNN) とグラフ対照学習 (GCL) は,分子表現のための高度な機能を提供します.
研究 の 目的:
- * 肝臓の代謝安定性を予測するための新しいモデルであるMetaboGNNの開発と検証
- * 強化された分子構造分析のためのGNNとGCLを活用する.
- * 種間の差異が代謝安定性予測に与える影響を調査する.
主な方法:
- * 薬物発見のための2023年韓国データチャレンジのデータセットを使用した (3,498件のトレーニング,483件の試験分子).
- * 複雑な関係を捉えるためのグラフとして分子構造を表現した.
- * モデルの汎用性を向上させ,移転可能な表現を学ぶために,GCLを予習に使用した.
- * ヒト肝臓マイクロソーム (HLM) とマウス肝臓マイクロソーム (MLM) の種間差異が組み込まれている.
主要な成果:
- * ルーツ・ミーン・スクエア・エラー (RMSE) の値が低かった:HLMは27.91,MLMは27.86.
- * 伝統的な薬剤発見方法と比較して優れた予測性能を示した.
- * 注意に基づく分析により,代謝の安定性を影響する重要な分子断片を特定した.
結論:
- * MetaboGNNは,薬物の代謝安定性を予測するための強力で正確なツールです.
- * モデルの性能は,種間の酵素的変化を考慮することによって強化されます.
- * MetaboGNNは,化学的に有意義な洞察を提供することによって,薬剤発見における効率的なリード最適化をサポートします.
