[논문 리뷰] ADCNet: a unified framework for predicting the activity of antibody-drug conjugates

Liye Chen, Biaoshun Li외 6명|arXiv (Cornell University)|2024. 01. 17.

HER2/EGFR in Cancer Research인용 수 5

한 줄 요약

ADCNet은 단백질 언어 모델(ESM-2)과 소분자 모델(FG-BERT)을 결합하여 단백질 서열, 링커/페이로드 SMILES, DAR 값을 기반으로 ADC 활성을 예측하는 통합 딥러닝 프레임워크로, 강력한 테스트 성능을 달성합니다.

ABSTRACT

Antibody-drug conjugate (ADC) has revolutionized the field of cancer treatment in the era of precision medicine due to their ability to precisely target cancer cells and release highly effective drug. Nevertheless, the realization of rational design of ADC is very difficult because the relationship between their structures and activities is difficult to understand. In the present study, we introduce a unified deep learning framework called ADCNet to help design potential ADCs. The ADCNet highly integrates the protein representation learning language model ESM-2 and small-molecule representation learning language model FG-BERT models to achieve activity prediction through learning meaningful features from antigen and antibody protein sequences of ADC, SMILES strings of linker and payload, and drug-antibody ratio (DAR) value. Based on a carefully designed and manually tailored ADC data set, extensive evaluation results reveal that ADCNet performs best on the test set compared to baseline machine learning models across all evaluation metrics. For example, it achieves an average prediction accuracy of 87.12%, a balanced accuracy of 0.8689, and an area under receiver operating characteristic curve of 0.9293 on the test set. In addition, cross-validation, ablation experiments, and external independent testing results further prove the stability, advancement, and robustness of the ADCNet architecture. For the convenience of the community, we develop the first online platform (https://ADCNet.idruglab.cn) for the prediction of ADCs activity based on the optimal ADCNet model, and the source code is publicly available at https://github.com/idrugLab/ADCNet.

연구 동기 및 목표

• 구조와 활성을 더 잘 연결하여 항체-약물 접합체(ADC)의 합리적 설계를 촉진하기 위함.
• 단백질 서열과 소분자 표현을 통합하는 통합 모델을 개발하여 ADC 활성을 예측.
• 커뮤니티 접근성과 재현성을 촉진하기 위해 온라인 플랫폼 및 오픈 소스 코드를 제공한다.

제안 방법

• ESM-2를 이용한 단백질 표현 학습과 FG-BERT를 이용한 소분자 표현 학습을 통합한다.
• 항원/항체 단백질 서열, 링커 및 페이로드의 SMILES 문자열, 및 DR 값(DAR)을 입력으로 포함한다.
• 절제 연구 및 외부 테스트를 포함한 신중하게 설계된 ADC 데이터셋에서 학습 및 평가한다.
• 테스트 세트에서 정확도, 균형 정확도, ROC 곡선 아래 면적(AUC)으로 성능을 측정한다.
• 다중 지표에 걸쳐 ADCNet을 기본 기계학습 모델과 비교한다.

실험 결과

연구 질문

• RQ1 단백질 및 소분자 임베딩을 결합한 통합 프레임워크가 기준 모델을 넘어서 ADC 활성 예측을 향상시킬 수 있는가?
• RQ2 다양한 테스트 설정과 외부 데이터에서 모델이 얼마나 잘 일반화되는가?
• RQ3 각 입력 모달리티(단백질, SMILES, DAR)가 예측 성능에 기여하는 정도는 어느 정도인가?

주요 결과

• ADCNet은 평균 테스트 정확도 87.12%.
• ADCNet은 테스트 세트에서 균형 정확도 0.8689를 달성한다.
• ADCNet은 테스트 세트에서 ROC 곡선 아래 면적(AUC) 0.9293을 달성한다.
• 교차 검증, 절제 연구, 외부 테스트는 ADCNet의 견고성과 안정성을 뒷받침한다.
• 최적의 ADCNet 모델을 사용한 ADC 활성 예측을 위한 온라인 플랫폼이 제공되며; 소스 코드는 공개적으로 이용 가능하다.