深層学習-QSPモデルを用いたプロテオリシス誘導キメラの有効性予測 | JoVE Visualize

科学分野:

計算化学と薬理学
創薬と開発
バイオテクノロジーと分子生物学

背景:

プロテオリシス誘導キメラ（PROTAC）は、標的タンパク質分解（TPD）のための新しい治療戦略を表す。
PROTACは、これまで創薬不可能とされてきたタンパク質を標的とする上で、従来の阻害剤よりも利点を提供する。
分子の多様性によりPROTACの有効性を予測することは困難であり、高度な計算手法が必要とされる。

研究の目的:

PROTAC分子の有効性を予測するための統合計算フレームワークを開発する。
予測精度を高めるために深層学習と定量的システム薬理学（QSP）を組み合わせる。
半数最大分解濃度（DC50）および最大分解（Dmax）を含む主要な薬力学パラメータを推定する。

主な方法:

結合親和性予測のための深層学習モデル（DeepCalici）とQSPフックモデルを統合する。
モデルのトレーニングと検証のためにPROTAC-DBからのキュレーションされた実験データを利用する。
分子の特徴に基づいてQSPモデルパラメータを調整するために、補助的なディープニューラルネットワークを使用する。

主要な成果:

統合モデルはDC50に対して強力な予測性能を示し、PROTAC候補の優先順位付けを容易にした。
Dmaxの予測は、データセットで捉えられていない実験的ばらつきに起因する精度が低かった。
本研究は、モデリングを改善するために、包括的な構造データと標準化された実験条件の必要性を強調する。

結論:

開発された計算フレームワークは、PROTAC創薬を加速するために大きな可能性を示している。
PROTACの有効性を正確に予測することは、効率的な治療開発にとって非常に重要である。
今後の研究では、Dmaxの予測モデルを改良するために、標準化された実験データを組み込むことに焦点を当てるべきである。