[論文レビュー] Implementation of The Future of Drug Discovery: QuantumBased Machine Learning Simulation (QMLS)

Yifan Zhou, Yan Liang+4 more|arXiv (Cornell University)|Aug 14, 2023

Computational Drug Discovery Methods被引用数 14

ひとこと要約

本論文は QMLS を提案します。機械学習と量子シミュレーションを組み合わせて、hit generation、lead optimization、pre-clinical drug candidates を three to six months かつ低コストで実現します。

ABSTRACT

The Research & Development (R&D) phase of drug development is a lengthy and costly process. To revolutionize this process, we introduce our new concept QMLS to shorten the whole R&D phase to three to six months and decrease the cost to merely fifty to eighty thousand USD. For Hit Generation, Machine Learning Molecule Generation (MLMG) generates possible hits according to the molecular structure of the target protein while the Quantum Simulation (QS) filters molecules from the primary essay based on the reaction and binding effectiveness with the target protein. Then, For Lead Optimization, the resultant molecules generated and filtered from MLMG and QS are compared, and molecules that appear as a result of both processes will be made into dozens of molecular variations through Machine Learning Molecule Variation (MLMV), while others will only be made into a few variations. Lastly, all optimized molecules would undergo multiple rounds of QS filtering with a high standard for reaction effectiveness and safety, creating a few dozen pre-clinical-trail-ready drugs. This paper is based on our first paper, where we pitched the concept of machine learning combined with quantum simulations. In this paper we will go over the detailed design and framework of QMLS, including MLMG, MLMV, and QS.

研究の動機と目的

• 薬物R&Dプロセスの短縮とコスト削減の必要性を動機付ける。
• MLベースの分子生成と量子シミュレーションを組み合わせたフレームワークとして QMLS を導入し、フィルタリングと最適化を行う。
• アーキテクチャとコンポーネント（MLMG、MLMV、QS）と、それらが前臨床候補を生み出すためにどのように相互作用するかを説明する。
• 量子加速と転移学習による速度と精度の改善が期待されることを概説する。

提案手法

• ML Molecule Generation (MLMG) を使用してターゲットタンパク質構造からヒットを生成する。
• Quantum Simulation (QS) を適用して、反応とターゲット結合有効性で生成分子をフィルタリングする。
• Lead Optimization を通じて MLMV を用い、MLMG/QS のヒットを交差させて複数の分子 variantes を作成する。
• MorphProt representations を MLMG/CS ワークフローの 3D 分子構造表現として用いる。
• 4-task transfer learning スキームを実装して MLMG を段階的に訓練し、学習を通じてコンポーネントの削除/追加や結合の変更を可能にして MLMV を実現する。
• Adam 最適化を用いてタスクごとに 100 エポック訓練し、探索と精度を最大化し、予想される量子スピードアップを活用する。

実験結果

リサーチクエスチョン

• RQ1 QMLS は薬物 R&D のタイムラインを three to six months に短縮し、コストを削減できるか？
• RQ2 MLMG と QS はリード最適化のための有望な薬候補を特定・フィルタリングする際にどれほど効果的か？
• RQ3 MLMV は安全性と有効性を損なうことなく、意味のある変動性を提供するか？
• RQ4 MorphProt 表現は QMLS における正確な分子相互作用の実現においてどの役割を果たすか？
• RQ5 転移学習はこの量子加速フレームワークにおける薬物様分子の生成と最適化をどのように強化するか？

主な発見

• QMLS は複数の QS フィルタリングを経て数十の前臨床試験準備薬を生み出す能力があると提示されている。
• フレームワークは薬物開発コストを USD 50k–80k に削減し、R&D を 3–6 か月に短縮することを目指している。
• MLMG はターゲットごとに 1,500–2,500 ヒット候補を生成でき、MLMV は数千のバリアントを作成する。
• 量子スピードアップは訓練の高速化と精度向上を可能にするとされ、潜在的なスピードアップと性能向上への言及がある。
• 2 つのプロセス比較（QS vs. QML）により、共有および固有の PDB が特定され、有望な候補に焦点を当てる。