[論文レビュー] PADME: A Deep Learning-based Framework for Drug-Target Interaction Prediction

Qingyuan Feng, Evgenia V. Dueva+2 more|arXiv (Cornell University)|Jul 25, 2018

Computational Drug Discovery Methods参考文献 52被引用数 81

ひとこと要約

PADME は化合物の分子グラフ畳込みとタンパク質記述子を組み合わせて実数値の薬物–標的相互作用（DTI）強度を予測する深層ニューラルネットワークフレームワークで、コールドターゲットおよびコールドドラッグ問題に対処し、複数データセットでベースラインを上回る。

ABSTRACT

In silico drug-target interaction (DTI) prediction is an important and challenging problem in biomedical research with a huge potential benefit to the pharmaceutical industry and patients. Most existing methods for DTI prediction including deep learning models generally have binary endpoints, which could be an oversimplification of the problem, and those methods are typically unable to handle cold-target problems, i.e., problems involving target protein that never appeared in the training set. Towards this, we contrived PADME (Protein And Drug Molecule interaction prEdiction), a framework based on Deep Neural Networks, to predict real-valued interaction strength between compounds and proteins without requiring feature engineering. PADME takes both compound and protein information as inputs, so it is capable of solving cold-target (and cold-drug) problems. To our knowledge, we are the first to combine Molecular Graph Convolution (MGC) for compound featurization with protein descriptors for DTI prediction. We used multiple cross-validation split schemes and evaluation metrics to measure the performance of PADME on multiple datasets, including the ToxCast dataset, and PADME consistently dominates baseline methods. The results of a case study, which predicts the binding affinity between various compounds and androgen receptor (AR), suggest PADME's potential in drug development. The scalability of PADME is another advantage in the age of Big Data.

研究の動機と目的

• DTI予測を二値のエンドポイントから実数値の相互作用強度へと進化させる。
• 特徴エンジニアリングなしでコールドターゲットおよびコールドドラッグのシナリオを扱えるようにする。
• 化合物の分子グラフ畳込みとタンパク質記述子を統一的なフレームワークに統合する。
• 堅牢性とスケーラビリティを示すため、複数データセットとクロスバリデーション方式でPADMEを評価する。

提案手法

• 手作り特徴量を用いず、分子グラフ畳込みを用いて化合物構造を特徴化する。
• 化合物表現とタンパク質記述子を入力として深層ニューラルネットワークに結合する。
• 二値ラベルではなく実数値の相互作用強度を予測する。
• 複数のクロスバリデーション分割とデータセット（例：ToxCast）にわたる評価指標を用いて評価する。
• 化合物とアンドロゲン受容体（AR）間の結合親和性を予測するケーススタディを示す。

実験結果

リサーチクエスチョン

• RQ1 PADMEは特徴エンジニアリングなしで実数値のDTIスコアを予測できるか？
• RQ2 このフレームワークはコールドターゲットおよびコールドドラッグのシナリオに効果的に対処できるか？
• RQ3 複数データセットとCV方式におけるベースライン手法と比較してPADMEの性能はどうか？
• RQ4 PADMEはビッグデータへとスケールし、実用的な創薬ワークフローをサポートできるか？
• RQ5 AR結合親和性予測などのケーススタディにおけるPADMEの潜在力はどれほどか？

主な発見

• PADMEは複数データセットとクロスバリデーション方式の下で一貫してベースライン手法を凌駕する。
• このフレームワークは特徴エンジニアリングを必要とせず、コールドターゲットおよびコールドドラッグの問題に対処できる。
• アンドロゲン受容体（AR）結合親和性に関するケーススタディは、創薬におけるPADMEの潜在能力を示している。
• PADMEはDTI予測におけるビッグデータ環境に適したスケーラビリティを提供する。