公的なデータからP-gp基板予測のためのクラスター検証グラフニューラルネットワーク

Tomoyuki Enokiya^1,2, Takamasa Yamaguchi²

¹Laboratory of Pharmacoinformatics, Department of Pharmaceutical Sciences, Faculty of Pharmaceutical Sciences, Suzuka University of Medical Science, 3500-3 Minamitamagaki-Cho, Suzuka, Mie 513-8670, Japan.

Journal of chemical information and modeling

|February 19, 2026

まとめ

P-glycoprotein (P-gp) 基板を予測するためのグラフニューラルネットワーク (GNN) 分類器を開発し,実験方法と小さなデータセットの限界を克服しました. このツールは,潜在的なP-gp相互作用を早期に特定することによって,薬物開発に役立ちます.

科学分野:

薬理学と毒理学について
コンピューティング・ケミストリー
ドラッグ・ディスカバリー・ドリッグ・ディスカバリー・ドリッグ・ディスカバリー・ドリッグ・ディスカバリー

背景:

P-glycoprotein (P-gp) は,薬物の吸収と分布に影響を与える重要な流出輸送体です.
P-gp基板の実験的識別は,挑戦的で,時間がかかり,スケールが難しい.
既存のin silicoモデルは,限られた,異質なデータセットに苦しんでいる.

研究の目的:

P-gp基板を予測するための堅牢でスケーラブルなin silicoモデルを開発する.
大規模な公開データセットと高度な機械学習を活用し,予測の精度を向上させる.
薬剤設計における早期のADMEリスク評価のための解釈可能なツールを提供すること.

主な方法:

KEGG BRITEとFDAの基板を用いた大規模な公開サイト毒性測定データ (PubChem AID 1346986/1346987) を統合した.
ハイブリッドのTransformerConv/NNConvアンサンブルを用いたグラフニューラルネットワーク (GNN) 分類器を開発しました.
階層化,スキャフォールドベースの,そしてブチナ・リーフ・クラスター・アウトの方法を含む厳格なクロス・バリデーション・スキームを採用した.

主要な成果:

GNNアンサンブル (MDR1-M4-HYB-v1) は,内部および外部データセットで高性能を達成し,テストROC-AUC値は0.88.8まででした.
このモデルは,独立した外部集合 (ROC-AUC 0.899) で強い予測力を示した.
SHAPと代理分析では,リポフィリティと水素結合能力などのP-gp基板予測に影響を与える重要な分子特性を特定しました.

結論:

公開データベースのGNNアンサンブルは,P-gp基板予測のための高性能で解釈可能なin silicoツールを提供します.
このモデルは,早期のADMEリスク評価とトランスポーター意識の薬物設計をサポートすることができます.
このアプローチは,P-gp相互作用のリスクが軽減された薬剤候補の優先順位付けを容易にする.

さらに関連する動画