マクロサイクリック薬の透過性の予測力を、類似の事前学習データからの知識蒸留によって強化する

科学分野:

• 医薬品化学
• 計算化学
• 薬理学

背景:

• マクロサイクリック薬は、タンパク質間相互作用の強力なモジュレーターです。
• 低く予測不可能な膜透過性は、マクロサイクリック薬の開発を妨げます。
• 現在の実験および3Dモデリング手法は、遅く計算集約的です。

研究 の 目的:

• 2D構造から直接マクロサイクリック透過性を予測するための深層学習（DL）モデルを開発すること。
• マクロサイクリック創薬における実験的テストと3Dモデリングの限界を克服すること。
• 良好な薬物動態特性を持つマクロサイクルの効率的な優先順位付けを可能にすること。

主な方法:

• 2D構造からマクロサイクリック透過性を予測する深層学習モデル、Multi_DDPPを開発しました。
• 多細胞株透過性データを用いた知識蒸留を採用し、一般化性能を向上させました。
• 多様な分子表現（物理化学的記述子、フィンガープリント、分子グラフ、ハイブリッド特徴量）を統合しました。
• サブ構造識別のためのノードマスキングと、生理学的パラメータの組み込みのための回帰拡張を利用しました。

主要な成果:

• Multi_DDPPは、透過性予測において既存の機械学習（ML）および深層学習（DL）アプローチを上回る性能を発揮します。
• モデルは、多様な分子表現と知識蒸留を効果的に活用します。
• ノードマスキングは、透過性に影響を与える重要なサブ構造を特定します。
• 回帰拡張は、生理学的パラメータを用いて予測を洗練させます。

結論:

• Multi_DDPPは、コストのかかる3Dコンホメーション生成を回避する、高速な2Dベースの透過性予測を可能にします。
• このモデルは、マクロサイクリック薬候補の効率的なスクリーニングと優先順位付けを容易にします。
• このアプローチは、マクロサイクルの早期創薬プロセスを大幅に強化します。