[論文レビュー] Zero-Shot 3D Drug Design by Sketching and Generating

Siyu Long, Yi Zhou+2 more|arXiv (Cornell University)|Sep 28, 2022

Computational Drug Discovery Methods被引用数 9

ひとこと要約

本論文では、分子の形状をブリッジとして用いることで、形状スケッチと分子生成の2段階に分けるゼロショット3次元ドラッグデザイン手法Desertを提案する。大規模な分子データベース（ZINC）を用いた事前学習と、実験データやドッキングシミュレーションへの依存を最小限に抑えることで、ドラッグデザインのスピードと品質の面で最先端の性能を達成し、後処理後のバーチャル・ビナスコアは-9.410 kcal/mol、多様性は0.908を達成した。

ABSTRACT

Drug design is a crucial step in the drug discovery cycle. Recently, various deep learning-based methods design drugs by generating novel molecules from scratch, avoiding traversing large-scale drug libraries. However, they depend on scarce experimental data or time-consuming docking simulation, leading to overfitting issues with limited training data and slow generation speed. In this study, we propose the zero-shot drug design method DESERT (Drug dEsign by SkEtching and geneRaTing). Specifically, DESERT splits the design process into two stages: sketching and generating, and bridges them with the molecular shape. The two-stage fashion enables our method to utilize the large-scale molecular database to reduce the need for experimental data and docking simulation. Experiments show that DESERT achieves a new state-of-the-art at a fast speed.

研究の動機と目的

• 生成モデルのデータ依存性が高く、遅く、過学習しやすいというデュ・ノヴァ・ドラッグデザインにおける課題に対処する。
• 3次元ドラッグ生成において、高コストな実験的バイオアクティビティデータや時間のかかるドッキングシミュレーションへの依存を低減する。
• タンパク質-リガンドの補完性を示す構造的事前知識としての分子形状を活用することで、ゼロショットドラッグデザインを可能にする。
• スケッチと生成の2段階フレームワークを構築し、多様なタンパク質標的において効率性と一般化性能を向上させる。
• ターゲット特化のファインチューニングや大規模なラベル付きデータを必要とせず、高品質で多様性のある、かつ高速なドラッグ候補の生成を実現する。

提案手法

• ターゲットポケットに適合する分子形状のスケッチを行い、その後にその形状から3次元分子構造を生成する2段階のドラッグデザインプロセスに分割する。
• ZINCデータベースから得た1億組の分子-形状ペアを用いて事前学習された生成モデル（Shape2Mol）を活用し、スケッチした形状を3次元分子構造にマッピングする。
• 分子形状を構造的事前知識として用い、スケッチ段階と生成段階を接続することで、形状の補完性がバイオアクティビティを予測すると仮定する。
• ドッキングシミュレーションの使用を後処理に限定し、生成段階での性能ボトルネックや不正確さを回避する。
• 初期評価ではポストプロセッシングなしのグリーディデコード戦略を採用し、最終的な性能評価では標準的なポストプロセッシング（例：エネルギー最適化）を適用する。
• 大規模で未結合、ドラッグライクな分子データベースを事前学習に活用することで、ファインチューニングなしに新しいタンパク質標的へゼロショット一般化を実現する。

実験結果

リサーチクエスチョン

• RQ1 ゼロショット3次元ドラッグデザインにおいて、分子形状はバイオアクティビティの信頼できる代理指標として機能できるか？
• RQ2 実験データやドッキングシミュレーションへの依存を低減することで、デュ・ノヴァ・ドラッグ生成のスピードと品質にどのような影響を与えるか？
• RQ3 スケッチ followed by 形状誘導生成という2段階フレームワークは、3次元ドラッグデザインで最先端の性能を達成できるか？
• RQ4 大規模かつ多様な分子データベースでの事前学習が、未観測のタンパク質標的へ一般化をどのように向上させるか？
• RQ5 形状ベースのスケッチは、高親和性かつ多様なドラッグ候補を保持しつつ、分子探索空間を効果的に絞り込めるか？

主な発見

• Desertは、後処理を施した結果、テストセットで-9.410 kcal/molという新たな最先端のバーチャル・ビナスコアを達成し、3D SBDD（-7.584 kcal/mol）を大きく上回った。
• 後処理後の多様性スコアが0.908に達し、化学空間の広範な探索を示している。
• ポストプロセッシングなしでも、バーチャル・ビナスコアが-6.148 kcal/mol、多様性スコアが0.873を達成しており、強力な内蔵設計能力を示している。
• サンプリングスペースのサイズが大きくなるほど性能が向上し、形状ベースの絞り込みにより有効な探索空間が20万から1万にまで縮小されたが、依然として高い性能を維持した。
• 100種類の多様なタンパク質標的においても、限られたまたは全く実験データがなくても、多様で高親和性の分子を効果的に生成でき、良好な一般化性能を示した。
• ファインチューニングやターゲット特化データを一切必要とせず、高い性能を達成したことで、ゼロショット一般化能力が裏付けられた。