タンパク質相同性とリガンドベースの転移学習を用いたより正確な結合親和性予測

科学分野:

• 計算化学
• 創薬
• バイオインフォマティクス

背景:

• 正確なタンパク質-リガンド結合親和性の予測は、効率的な創薬にとって非常に重要です。
• 大規模な化学ライブラリと生成モデルからの新規分子の評価には、迅速かつ正確な方法が必要です。
• 既存の方法では、多様なデータセットに対するスケーラビリティと精度に課題がある場合があります。

研究 の 目的:

• 効率的かつ正確なタンパク質-リガンド結合親和性予測のためのハイブリッド計算フレームワークであるUCBindを開発および検証すること。
• 類似性ベースの転移学習モジュールと深層学習予測モジュールを統合すること。
• 創薬に関連する多様なベンチマークデータセット全体でUCBindのパフォーマンスを評価すること。

主な方法:

• UCBindは、類似性ベースの転移モジュールと深層学習予測モジュールを組み合わせたハイブリッドアプローチを採用しています。
• 利用可能な場合は、類似の参照タンパク質-リガンドペアからの実験データが転送されます。
• 十分に類似した参照データが存在しない場合は、深層学習モジュールが利用されます。
• パフォーマンスは、CASF-2016、HiQBind（2020年以降）、およびCOVID Moonshotデータベースでベンチマークされました。

主要な成果:

• UCBindは、複数のベンチマークデータセットで最先端の予測パフォーマンスを達成しました。
• このフレームワークは、参照タンパク質-リガンドペアと高い類似性を持つテストエントリに対して優れた精度を示しました。
• パフォーマンスの向上は、よく特徴付けられた参照タンパク質とリガンドで特に顕著でした。

結論:

• UCBindは、創薬におけるタンパク質-リガンド結合親和性を予測するための効率的かつ正確なソリューションを提供します。
• ハイブリッドフレームワークは、転移学習と深層学習を通じて既存のデータを効果的に活用します。
• UCBindは、結合部位予測や分類を含む下流の計算タスクをサポートする可能性を示しています。