[論文レビュー] Deep Denerative Models for Drug Design and Response

Karina Zadorozhny, Lada Nuzhna|arXiv (Cornell University)|Sep 14, 2021

Computational Drug Discovery Methods参考文献 40被引用数 4

ひとこと要約

本レビューは、創薬設計および薬物応答予測に応用された深層生成モデル（DGMs）を統合的に検討し、化学的に妥当で生物学的に関連性のある分子を生成する能力を評価する。VAE、GAN、拡散モデルなどの最先端のアーキテクチャを強調し、より良い分子表現の必要性を指摘するとともに、データ品質、ベンチマーク、再現可能性が主な課題であると示す。

ABSTRACT

Designing new chemical compounds with desired pharmaceutical properties is a challenging task and takes years of development and testing. Still, a majority of new drugs fail to prove efficient. Recent success of deep generative modeling holds promises of generation and optimization of new molecules. In this review paper, we provide an overview of the current generative models, and describe necessary biological and chemical terminology, including molecular representations needed to understand the field of drug design and drug response. We present commonly used chemical and biological databases, and tools for generative modeling. Finally, we summarize the current state of generative modeling for drug design and drug response prediction, highlighting the state-of-art approaches and limitations the field is currently facing.

研究の動機と目的

• 創薬設計および薬物応答予測に応用された深層生成モデルの包括的概要を提供すること。
• 分子表現や主要なデータベースを含む、化学的・生物学的用語の明確化。
• 低分子、遺伝子治療、タンパク質配列の分野における現在の最先端の生成アプローチを評価すること。
• データ品質、標準ベンチマークの欠如、臨床前データにおける再現性の問題といった、深刻な制限要因を特定すること。
• 実世界の創薬応用を向上させるために、より良い分子表現ときめ細やかな評価基準の導入を提言すること。

提案手法

• 変分オートエンコーダ（VAEs）、生成対抗ネットワーク（GANs）、オートエンコーダ（AEs）、対抗的オートエンコーダ（AAEs）といった主要な深層生成アーキテクチャを調査・比較する。
• SMILES文字列、分子フィンガープint、グラフベースの符号化といった分子表現を分析し、その回転異性や三次元構造の捉えにくさに焦点を当てる。
• ハイ・スループットスクリーニング（HTS）データや生物学的データベースに学習させた生成モデルを評価し、薬物応答の予測と感受性・安全性の最適化を目的とする。
• 再現性と比較可能性を確保するため、GuacaMol や MOSES といった標準ベンチマークを用いてモデルの性能を評価する。
• 新規化合物の生成、例えばDDR1キナーゼ阻害剤の生成を実施し、既存のFDA承認薬と比較する。
• 生成された潜在空間表現に構造的・ステレオ化学的情報（例：エナンチオマー性）を組み込む重要性を強調し、化学的妥当性と生物学的関連性の向上を図る。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデルは、従来のQSAR法やドッキング法と比較して、どのように新規創薬設計の効率性と正確性を向上させるか？
• RQ2 SMILES やフィンガープリントといった現在の分子表現の、エナンチオマー性や三次元配置といった生物学的に関連する性質を捉える際の主な限界は何か？
• RQ3 実世界の生物学的データに学習させた生成モデルは、どの程度、新規で合成可能で生物学的に活性な化合物を生成できるか？
• RQ4 標準化されたベンチマークと評価プロトコルは、創薬分野における生成モデルの再現性と信頼性をどのように向上させるか？
• RQ5 訓練データの品質と再現性は、薬物応答予測に応用された深層生成モデルの成功にどの程度影響を与えるか？

主な発見

• VAE や GAN といった生成モデルは、DDR1キナーゼ阻害剤など、所望の薬理的特性を持つ新規分子構造を生成できる。
• 進展は見られるが、臨床試験で75–97％の新薬が有効性や安全性の欠如により失敗しており、体内応答のより良い予測の必要性が浮き彫りになっている。
• 現在のモデルはキラリティを正しく捉えておらず、エナンチオマーと異なる生物学的活性を示す可能性がある生成分子を生み出すため、創薬において深刻な制限要因となっている。
• 標準化されたベンチマークの欠如が、分野全体の課題となっており、GuacaMol や MOSES といった提案されたツールは登場しているが、まだ広く採用されていない。
• 一部の生成化合物は、既存の特許取得済みの薬物（例：ポンアティニブ）とほぼ同一であり、訓練データセットからの知的財産権侵害やデータ漏洩の懸念が生じている。
• 生物学的データにおける再現性の欠如（例：非再現性のあるがん治療標的）は、最先端のアーキテクチャを用いてもモデル性能を損なう要因となっている。