深層学習を用いた新規活性予測器の開発とHDAC阻害薬探索への応用

計算機による薬物スクリーニングはコスト・時間を削減できる有効な創薬手法になる。既知の活性化合物を元にその類似化合物を予測するLigand-Based Drug Discovery (LBDD) 型の計算法は、標的タンパク質の構造を必要としない。本研究では、深層学習を活用し、汎用的に高い精度が得られる新規LBDD型の計算法の開発を目指した。深層学習では、化合物情報そのものを入力でき、AI自体が化合物の特徴を自動的に学ぶことができるため、汎用的なモデルが作成できるのではないかと考えた。今回、がんの創薬標的として興味深い、エピジェネティクス関連酵素である、ヒストン脱アセチル化酵素1(HDAC)1を用い、深層学習モデルの性能を評価した。まず、化合物・生物活性データに関するデータベースであるChEMBLを用いて学習データセットを準備し、作成した活性予測期モデルに学習させた。学習データセットに対する精度、AUC解析により、本活性予測期は、報告例のある既存のモデルよりも高い精度で化合物を予測できることがわかった。さらに、学習したAIを用い、大規模な化合物ライブラリー（約１００万化合物)に対するスクリーニングを行った。その結果、化合物濃度10 microMで、HDACの活性を50%程度阻害する化合物を同定した。現在、同定した化合物のさらなる生物学的評価および、構造最適化に適応可能な深層学習モデルの作成を行っている。今後、作成した構造最適化モデルを、同定した化合物に適応する予定である。

計算機による薬物スクリーニングはコスト・時間を削減できる有効な創薬手法になる。既知の活性化合物を元にその類似化合物を予測するLigand-Based Drug Discovery (LBDD) 型の計算法は、標的タンパク質の構造を必要としない。本研究では、深層学習を活用し、汎用的に高い精度が得られる新規LBDD型の計算法の開発を目指した。深層学習では、化合物情報そのものを入力でき、AI自体が化合物の特徴を自動的に学ぶことができるため、汎用的なモデルが作成できるのではないかと考えた。今回、がんの創薬標的として興味深い、エピジェネティクス関連酵素である、ヒストン脱アセチル化酵素1(HDAC)1を用い、深層学習モデルの性能を評価した。まず、化合物・生物活性データに関するデータベースであるChEMBLを用いて学習データセットを準備し、作成した活性予測期モデルに学習させた。学習データセットに対する精度、AUC解析により、本活性予測期は、報告例のある既存のモデルよりも高い精度で化合物を予測できることがわかった。さらに、学習したAIを用い、大規模な化合物ライブラリー（約１００万化合物)に対するスクリーニングを行った。その結果、化合物濃度10 microMで、HDACの活性を50%程度阻害する化合物を同定した。現在、同定した化合物のさらなる生物学的評価および、構造最適化に適応可能な深層学習モデルの作成を行っている。今後、作成した構造最適化モデルを、同定した化合物に適応する予定である。