TUNA：タンパク質-リガンド結合親和性予測のためのターゲット認識型統合ネットワーク、マルチモーダル特徴統合による

科学分野:

• 計算化学
• 構造生物学
• 創薬

背景:

• 正確なタンパク質-リガンド結合親和性予測は、創薬において不可欠です。
• 配列ベースの深層学習モデルはスケーラブルですが、局所的な結合部位の文脈を見落としがちです。
• 構造予測およびポケット検出の進歩により、結合部位情報を配列ベースのモデルに統合することが可能になりました。

研究 の 目的:

• TUNAは、結合親和性予測を強化するための新しい深層学習モデルを発表すること。
• グローバルなタンパク質配列、局所的なポケット表現、リガンドの特徴を含むマルチモーダル特徴を統合すること。
• 特に実験的に決定された構造を持たないタンパク質ターゲットの予測精度を向上させること。

主な方法:

• TUNAは、グローバルなタンパク質配列、ポケット表現、およびリガンド特徴（SMILESおよび分子グラフ）を統合します。
• 実験的な構造を持たないタンパク質には、3D構造推論およびポケット検出ツールを使用しました。
• マルチモーダル特徴は、事前学習済み埋め込みとリガンドの融合戦略を使用してエンコードされました。

主要な成果:

• TUNAは、PDBbindおよびBindingDBデータセットにおいて、既存の配列ベースのモデルよりも一貫した改善を示しました。
• PDBbindデータセットでは、構造ベースのモデルに対しても競争力のある性能を維持しました。
• TUNAの解釈可能なクロスモーダルアテンションメカニズムは、潜在的な結合部位の特定に役立ちます。

結論:

• TUNAは、タンパク質-リガンド結合親和性予測のための効果的なアプローチを提供します。
• このモデルは、既知の3D構造を持たないターゲットの親和性予測に優れています。
• マルチモーダルデータの統合は、配列ベースの深層学習モデルの予測力を強化します。