[논문 리뷰] Implementation of The Future of Drug Discovery: QuantumBased Machine Learning Simulation (QMLS)

Yifan Zhou, Yan Liang외 4명|arXiv (Cornell University)|2023. 08. 14.

Computational Drug Discovery Methods인용 수 14

한 줄 요약

본 논문은 QMLS를 제시하는데, 이는 기계 학습과 양자 시뮬레이션을 결합하여 hit 생성, 리드 최적화, 그리고 전임상 약물 후보를 3~6개월 이내에 더 낮은 비용으로 가속화하는 프레임워크이다.

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.

연구 동기 및 목표

• 약물 R&D 프로세스의 시간 단축과 비용 절감의 필요성을 동기화한다.
• ML 기반 분자 생성과 양자 시뮬레이션을 결합하여 필터링 및 최적화를 수행하는 프레임워크로 QMLS를 소개한다.
• 아키텍처와 구성요소(MLMG, MLMV, QS) 및 이들이 작용하여 전임상 후보를 산출하는 방식을 설명한다.
• 양자 가속과 전이 학습을 통한 속도와 정확도 향상을 요약한다.

제안 방법

• ML Molecule Generation (MLMG)을 사용하여 표적 단백질 구조로부터 hit를 생성한다.
• Quantum Simulation (QS)을 적용하여 생성된 분자를 반응성 및 표적에 대한 결합 효능으로 필터링한다.
• ML Molecule Variation (MLMV)을 통해 교차하는 MLMG/QS hit들로부터 다수의 분자 변이를 생성하여 Lead Optimization을 수행한다.
• MLMG/CS 워크플로우에서 3D 분자 구조를 위한 MorphProt 표현을 사용한다.
• 구성요소를 삭제/추가하고 결합을 바꾸는 학습을 통해 MLMG를 점진적으로 학습시키고 MLMV를 가능하게 하는 네 가지 작업의 전이 학습 체계를 구현한다.
• 예상되는 양자 속도 향상을 활용하여 탐색 및 정확도를 극대화하기 위해 각 작업당 100 에폭에 걸쳐 Adam 최적화를 사용해 모델을 학습한다.

실험 결과

연구 질문

• RQ1 QMLS가 비용을 절감하면서 약물 R&D 기간을 3~6개월로 단축할 수 있는가?
• RQ2 MLMG와 QS가 후보 약물의 식별 및 lead optimization을 위한 필터링에 얼마나 효과적인가?
• RQ3 안전성 및 효과를 해치지 않으면서 MLMV가 의미 있는 변화를 제공하는가?
• RQ4 QMLS 내에서 MorphProt 표현이 정확한 분자 상호작용 달성에 어떤 역할을 하는가?
• RQ5 전이 학습이 이 양자 가속 프레임워크에서 약물 유사 분자의 생성 및 최적화를 어떻게 향상="하는가?"

주요 결과

• QMLS는 여러 차례의 QS 필터링 후 전임상 시험 준비가 가능한 수십 종의 약물을 생산할 수 있는 것으로 제시된다.
• 프레임워크의 목표는 약물 개발 비용을 USD 50k–80k로 줄이고 R&D를 3–6개월로 단축하는 것이다.
• MLMG는 표적당 1,500–2,500개의 hit 후보를 생성할 수 있으며, MLMV는 수천 개의 변형을 생성한다.
• 양자 속도 향상이 더 빠른 학습 및 더 높은 정확도를 가능하게 한다고 언급되며, 잠재적 속도 향상과 성능 향상에 대한 인용이 있다.
• 두 프로세스 비교(QS 대 QML)는 공통 및 고유의 PDB를 식별하여 유망한 후보에 집중한다.