핵심 개념
深層強化学習を用いた生成的アクティブラーニングアプローチにより、合成可能で医薬品らしい特性を持つ新規小分子タンパク質結合薬を効率的に設計することができる。
초록
本研究では、LAMBDAZERO と呼ばれる生成的アクティブラーニングアプローチを提案している。LAMBDAZERO は、深層強化学習を用いて分子生成ポリシーを学習し、合成可能性と医薬品らしさの制約の下で、目的の特性を持つ新規小分子を効率的に設計することができる。
具体的には、以下のような特徴を持つ:
- 高速な代替モデルを用いて、計算コストの高い分子ドッキングシミュレーションを効率的に近似する。
- 合成可能性と医薬品らしさの制約を組み込んだ報酬関数を用いて、生成ポリシーを学習する。
- アクティブラーニングのアプローチにより、少数の分子ドッキングシミュレーションで高スコアの分子を効率的に発見する。
LAMBDAZERO を溶性エポキシド加水分解酵素2 (sEH)の阻害剤設計に適用した結果、わずか1万回の分子ドッキングシミュレーションで、従来の仮想スクリーニングでは100億回のシミュレーションが必要とされる高スコアの分子を発見することができた。さらに、実験的に合成・評価された化合物の中から、サブマイクロモル濃度での sEH 阻害活性を示す新規なキナゾリン骨格の化合物が見出された。
통계
従来の仮想スクリーニングでは100億回のシミュレーションが必要とされる高スコアの分子を、わずか1万回のシミュレーションで発見できた。
実験的に合成・評価された化合物の中から、サブマイクロモル濃度での sEH 阻害活性を示す新規なキナゾリン骨格の化合物が見出された。
인용구
"深層強化学習を用いた生成的アクティブラーニングアプローチにより、合成可能で医薬品らしい特性を持つ新規小分子タンパク質結合薬を効率的に設計することができる。"
"LAMBDAZERO を溶性エポキシド加水分解酵素2 (sEH)の阻害剤設計に適用した結果、わずか1万回の分子ドッキングシミュレーションで、従来の仮想スクリーニングでは100億回のシミュレーションが必要とされる高スコアの分子を発見することができた。"