ポリファーマコロジーブラウザ PPB3: ChEMBL データを使用してターゲット予測のためのウェブベースのディープラーニングツール

科学分野:

• 計算化学はコンピュータ化学である.
• 薬理学 薬理学とは
• 機械学習とは,機械学習です.

背景:

• 薬物のような分子は,しばしば複数の生物学的標的と相互作用し,この現象は多薬理学として知られています.
• 効果的な薬剤開発と薬剤メカニズムを理解するために,ポリファーマコロジーの評価は極めて重要です.

研究 の 目的:

• 薬物標的の相互作用を予測するための深層ニューラルネットワークモデルの開発と検証.
• 大規模なデータセットを使用して,生物活性分子のポリファーマコロジーを評価する.

主な方法:

• ChEMBL 34の分子によるバイナリサブストラクチャの指紋を用いて深層ニューラルネットワークを訓練した.
• アクティビティデータに基づくターゲットの関連分子 (≥50% ≤10μMで活性).
• 110万個の分子と7546の標的間の240万以上の相互作用を含むデータセットを使用しました.

主要な成果:

• モデルは,分子とターゲットの両方のリコールと精度において良好なパフォーマンスを示しました.
• データセットのサイズと範囲 (タンパク質以外の様々なターゲットタイプを含む) は,以前のモデルを大幅に上回ります.
• ケーススタディでは,他のオンラインツールと比較して,モデルの予測能力を強調した.

結論:

• ディープニューラルネットワークは,薬物標的の相互作用と多剤学を効果的に予測することができます.
• 開発されたモデルは,医薬品の発見と開発のための貴重なツールを提供します.
• オンライン予測サービス (PPB3) は,公衆が利用できるようになっています.