[論文レビュー] DeepPurpose: a Deep Learning Library for Drug-Target Interaction Prediction and Applications to Repurposing and Screening

Kexin Huang, Tianfan Fu+4 more|arXiv (Cornell University)|Apr 19, 2020

Computational Drug Discovery Methods参考文献 47被引用数 17

ひとこと要約

DeepPurposeは、最小限のコードで仮想スクリーニングおよびドラッグ再利用を可能にする、ユーザーフレンドリーなディープラーニングツールキットであり、5つの事前学習済みモデルを備えており、非計算科学研究者および計算科学研究者双方がドラッグ-ターゲット相互作用（DTI）予測を容易に行える。15種類のドラッグおよびターゲットエンコーディング、50以上のディープラーニングアーキテクチャ、ベンチマークデータセットをサポートし、標準的なDTIベンチマークで最先端のパフォーマンスを達成しており、COVID-19の再利用可能性に関する臨床的に関連する候補を同定している。

ABSTRACT

Accurate prediction of drug-target interactions (DTI) enables drug discovery tasks, including virtual screening and drug repurposing, which can shorten the time to identify promising drug candidates and provide cures to patients. Recently, there is a growing number of research that developed deep learning (DL) models for DTI. Despite their superior performance, these research models are difficult to use in real drug discovery practice due to the complexity of deploying the research code as well as the restricted data formatting, model capacity, and evaluation setting. We present DeepPurpose, a comprehensive and easy-to-use software toolkit for DL based drug-target interaction (DTI) prediction with applications to drug screening and repurposing. The unique feature of DeepPurpose is that it enables non-computational drug development scientists to identify drug candidates based on five pre-trained DL models with only a few lines of codes. Further, computer scientists can use DeepPurpose to train customized DTI prediction models with 15 drug and target encodings and 50+ novel DL architectures. To tackle method development challenges, DeepPurpose also supports various data split settings and preloads five benchmarking datasets. We demonstrated that DeepPurpose allows users to obtain state-of-the-art prediction performance on several benchmark datasets. We also presented several case studies, including a study on drug repurposing for COVID-19, where promising drug candidates currently investigated in clinical trials are ranked high in DeepPurpose predictions.

研究の動機と目的

• 高度なディープラーニングDTIモデルと実世界のドラッグディスcoveryにおける実用性のギャップを埋めるため。
• 非計算科学研究者に、最小限のコーディングで事前学習済みモデルを使用してDTIを予測できるシンプルなインターフェースを提供するため。
• 計算科学研究者に、多様なエンコーディングとアーキテクチャを用いたカスタムDTIモデルのトレーニングを可能にする柔軟なフレームワークを提供するため。
• 複数のデータ分割戦略とベンチマークデータセットを統合することで、評価とモデル開発の標準化を図るため。
• COVID-19を含む新興疾患におけるドラッグ再利用といった重要な応用を支援するため、事例研究を通じて実証する。

提案手法

• ツールキットは、アテンションベースおよびグラフニューラルネットワークモデルを含む50以上のディープラーニングアーキテクチャを実装し、DTI予測に使用する。
• SMILES、フィンガープrint、タンパク質配列など、15種類の異なるドラッグおよびターゲットエンコーディングをサポートし、分子およびターゲット特徴を表現する。
• DeepPurposeは、ベンチマークデータセットで微調整された5つの事前学習済みモデルを提供し、最小限のユーザー入力で即座に推論が可能である。
• ランダム、スケルトンベース、時系列ベースの分割戦略を含む、さまざまなデータ分割戦略をサポートし、モデル評価の堅牢性を確保する。
• Davis、KIBA、PDBなどの事前ロード済みベンチマークデータセットを含み、標準化されたパフォーマンス比較を可能にする。
• ユーザーがエンコーディング、アーキテクチャ、評価プロトコルを簡単に交換できるモジュラーAPIを設計している。

実験結果

リサーチクエスチョン

• RQ1 統合されたディープラーニングツールキットは、非計算科学研究者によるDTI予測への参入障壁を顕著に低下させることができるか？
• RQ2 DeepPurposeに搭載された事前学習済みモデルは、標準的なDTIベンチマークデータセットでどの程度最先端のパフォーマンスを達成できるか？
• RQ3 DeepPurposeは、COVID-19のような新興疾患におけるドラッグ再利用候補の同定にどの程度効果的か？
• RQ4 このツールキットは、多様なエンコーディングとアーキテクチャを用いたカスタムDTIモデリングを柔軟にサポートできるか？
• RQ5 複数のデータ分割戦略の統合は、モデルの汎化性能と評価の信頼性をどのように向上させるか？

主な発見

• DeepPurposeは、高度なアーキテクチャと堅牢なデータ処理の組み合わせにより、Davis、KIBA、PDBを含む複数のベンチマークDTIデータセットで最先端のパフォーマンスを達成している。
• DeepPurposeに搭載された5つの事前学習済みモデルにより、専門外のユーザーが数行のコードでDTIを予測可能となり、ドラッグディスcoveryチームにおける参入障壁が顕著に低下している。
• COVID-19のドラッグ再利用に関する事例研究では、DeepPurposeが現在臨床治験中の複数の薬剤を高くランク付けしており、実世界での予測的妥当性を示している。
• ツールキットは15種類のドラッグおよびターゲットエンコーディングと50以上のディープラーニングアーキテクチャをサポートしており、計算科学研究者の高度なカスタマイズを可能にしている。
• 多様なデータ分割戦略のサポートにより、異なる生物学的および化学的文脈において、モデルの評価の信頼性と汎化性能が向上している。
• ベンチマークデータセットと標準化された評価プロトコルの統合により、研究間での一貫性と再現性のあるモデル比較が可能になっている。