Geometry-based BERT: 創薬における分子特性予測のための実験的に検証された深層学習モデル

科学分野:

• 計算化学
• 創薬における人工知能
• 分子表現学習

背景:

• 深層学習は創薬に大きな影響を与えていますが、新規活性化合物の特定は依然として困難です。
• 既存の方法では、複雑な分子構造とその3Dコンフォメーションの特性評価に苦労しています。
• 初期段階の創薬を加速するためには、高度な深層学習技術が緊急に必要とされています。

研究 の 目的:

• 分子特性予測のための自己教師ありフレームワークであるGeometry-based Bidirectional Encoder Representations from Transformers (GEO-BERT)を紹介します。
• 3Dコンフォメーション情報と新しい位置関係を統合することにより、分子構造の特性評価を強化します。
• 新規薬剤候補の特定におけるGEO-BERTの実用的な有用性を実証します。

主な方法:

• Transformerを使用した自己教師あり表現学習フレームワークであるGEO-BERTを開発しました。
• 入力には、原子および化学結合情報、および3D分子コンフォメーションが含まれます。
• 構造特性評価を改善するために、原子-原子、結合-結合、原子-結合の位置関係を統合しました。

主要な成果:

• GEO-BERTは、分子特性予測のための複数のベンチマークデータセットで最適なパフォーマンスを達成しました。
• GEO-BERTモデルを使用してDYRK1A阻害剤の候補スクリーニングを実施しました。
• IC50値が1μM未満の2つの新規かつ強力なDYRK1A阻害剤を特定しました。

結論:

• GEO-BERTは、分子特性予測のための効果的なオープンソースツールであり、初期段階の創薬を進歩させます。
• 分子構造を特徴付け、特性を予測するフレームワークの能力が検証されています。
• GEO-BERTは、新規治療薬の発見を加速するための大きな可能性を示しています。