[논문 리뷰] DeepPurpose: a Deep Learning Library for Drug-Target Interaction Prediction and Applications to Repurposing and Screening

Kexin Huang, Tianfan Fu외 4명|arXiv (Cornell University)|2020. 04. 19.

Computational Drug Discovery Methods참고 문헌 47인용 수 17

한 줄 요약

DeepPurpose는 최소한의 코드로 가상 스크리닝과 약물 재지향을 수행할 수 있도록 해주는 사용자 친화적인 딥러닝 툴킷으로, 5개의 사전 훈련된 모델을 통해 약물-표적 상호작용(DTI) 예측을 지원한다. 15종의 약물 및 표적 인코딩, 50여종의 딥러닝 아키텍처, 벤치마크 데이터셋을 지원하며, 표준 DTI 벤치마크에서 최신 기술 수준의 성능을 달성하고 코로나19 재지향에 임상적으로 관련성이 있는 후보를 식별한다.

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.

연구 동기 및 목표

• 고도로 발전한 딥러닝 DTI 모델과 실제 약물 발견 응용 분야에서의 실용성 사이의 격차를 해소하기 위해.
• 비컴퓨터 전문 과학자들이 최소한의 프로그래밍으로 사전 훈련된 모델을 사용해 DTI를 예측할 수 있는 간편한 인터페이스를 제공하기 위해.
• 컴퓨터 전문 과학자들이 다양한 인코딩과 아키텍처를 활용해 맞춤형 DTI 모델을 훈련할 수 있는 유연한 프레임워크를 제공하기 위해.
• 다양한 데이터 분할 전략과 벤치마크 데이터셋을 통합하여 평가 및 모델 개발의 표준화를 위해.
• 약물 재지향과 같은 핵심 응용 분야를 지원하기 위해, 코로나19 사례 연구를 통해 이를 입증하기 위해.

제안 방법

• 툴킷은 약물-표적 상호작용 예측을 위한 50여종 이상의 딥러닝 아키텍처를 구현하고 있으며, 주로 어텐션 기반 및 그래프 신경망 모델을 포함한다.
• SMILES, 피어프린트, 단백질 서열과 같은 다양한 약물 및 표적 인코딩 15종을 지원하여 분자의 특징과 표적의 특징을 표현한다.
• DeepPurpose는 벤치마크 데이터셋에서 사전 훈련된 5개의 모델을 제공하며, 최소한의 사용자 입력으로 즉시 추론이 가능하다.
• 랜덤, 스카포드 기반, 시간 기반 분할 전략을 포함한 다양한 데이터 분할 전략을 지원하여 모델 평가의 강건성을 확보한다.
• Davis, KIBA, PDB와 같은 사전 로드된 벤치마크 데이터셋을 포함하여 표준화된 성능 비교를 가능하게 한다.
• 사용자가 인코딩, 아키텍처, 평가 프rotocol를 쉽게 교체할 수 있도록 모듈러한 API 아키텍처를 설계하였다.

실험 결과

연구 질문

• RQ1 통합된 딥러닝 툴킷이 비컴퓨터 전문 약물 발견 과학자들이 DTI 예측에 접근하는 데 있어 장벽을 크게 낮출 수 있는가?
• RQ2 DeepPurpose의 사전 훈련된 모델이 표준 DTI 벤치마크 데이터셋에서 최신 기술 수준의 성능을 얼마나 잘 달성할 수 있는가?
• RQ3 코로나19와 같은 새로운 유행병에 대해 DeepPurpose가 재지향 가능한 약물 후보를 효과적으로 식별할 수 있는가?
• RQ4 툴킷이 다양한 인코딩과 아키텍처를 활용해 맞춤형 DTI 모델링을 위한 탄력적인 모델 개발을 지원할 수 있는가?
• RQ5 다양한 데이터 분할 전략의 통합이 모델 일반화 능력과 평가 신뢰도를 어떻게 향상시키는가?

주요 결과

• DeepPurpose는 고도로 발전한 아키텍처와 강력한 데이터 처리 능력을 바탕으로 Davis, KIBA, PDB 등 여러 벤치마크 DTI 데이터셋에서 최신 기술 수준의 성능을 달성한다.
• DeepPurpose에 내장된 5개의 사전 훈련된 모델을 통해 비전문가 사용자도 몇 줄의 코드로만 DTI를 예측할 수 있어, 약물 발견 팀의 접근 장벽을 크게 낮춘다.
• 코로나19 재지향 사례 연구에서 DeepPurpose는 현재 임상 연구 중인 여러 약물을 높은 순위로 평가하여 실제 응용에서의 예측 적합성을 입증하였다.
• 툴킷은 15종의 약물 및 표적 인코딩과 50여종의 딥러닝 아키텍처를 지원하여, 컴퓨터 전문 과학자들이 높은 수준의 맞춤형 설정을 가능하게 한다.
• 다양한 데이터 분할 전략 지원으로 인해, 다양한 생물학적 및 화학적 맥락에서 모델 평가의 신뢰도와 일반화 능력이 향상된다.
• 벤치마크 데이터셋과 표준화된 평가 프로토콜의 통합을 통해 연구 간 일관성 있고 재현 가능한 모델 비교가 가능하다.