[논문 리뷰] MolDesigner: Interactive Design of Efficacious Drugs with Deep Learning

Kexin Huang, Tianfan Fu외 8명|arXiv (Cornell University)|2020. 10. 05.

Computational Drug Discovery Methods참고 문헌 13인용 수 7

한 줄 요약

MolDesigner는 50개 이상의 최신 딥러닝 모델을 활용하여 실시간으로 상호작용하는 약물 설계를 가능하게 하는 인간-중심 웹 인터페이스입니다. 약물 결합 친화도와 16개의 약동학적(ADMET) 특성을 1초 이내로 예측하여, 약물 개발자가 즉각적인 피드백을 바탕으로 분자의 구조를 반복적으로 수정하여 효능과 안전성을 최적화할 수 있도록 합니다.

ABSTRACT

The efficacy of a drug depends on its binding affinity to the therapeutic target and pharmacokinetics. Deep learning (DL) has demonstrated remarkable progress in predicting drug efficacy. We develop MolDesigner, a human-in-the-loop web user-interface (UI), to assist drug developers leverage DL predictions to design more effective drugs. A developer can draw a drug molecule in the interface. In the backend, more than 17 state-of-the-art DL models generate predictions on important indices that are crucial for a drug's efficacy. Based on these predictions, drug developers can edit the drug molecule and reiterate until satisfaction. MolDesigner can make predictions in real-time with a latency of less than a second.

연구 동기 및 목표

• 전통적인 실험실 기반의 약물 효능 및 약동학 평가에 소요되는 높은 비용과 시간을 해결하기 위해.
• 결합 친화도와 16개의 ADMET 지표를 통합하여 단일 상호작용 인터페이스에 통합하기 위해.
• 리드 최적화 과정에서 약물 개발자가 분자 구조 수정 시 실시간 피드백을 받을 수 있도록 지원하기 위해.
• 고립된 예측에 치중하거나 상호작용 가능하고 통합된 UI를 갖추지 못한 기존 도구의 한계를 극복하기 위해.

제안 방법

• 실시간 분자 그리기 및 상호작용을 가능하게 하기 위해 Gradio를 기반으로 한 웹 기반 사용자 인터페이스를 구현했습니다.
• 약물-표적 상호작용 및 특성 예측을 위한 50개 이상의 최신 딥러닝 모델을 구동하기 위해 DeepPurpose 라이브러리를 활용했습니다.
• 메시지 전달 신경망(MPNN), 컨볼루션 신경망(CNN), 심층 신경망(DNN)을 사용하여 모리건 지문(Morgan fingerprints) 기반의 분자 구조를 처리했습니다.
• 표준 화학 형식(SMILES, MOL 등)으로 그리기 또는 파일 업로드를 지원합니다.
• 결합 친화도 및 16개의 ADMET 특성(용해도, Caco-2 투과성, 혈뇌장벽 침투, CYP 억제 등)에 대한 예측을 1초 이내로 제공합니다.
• 사용자가 특정 딥러닝 모델을 선택하여 예측할 수 있으며, 스크린샷 저장 및 출력 플래깅 기능을 통해 추적을 지원합니다.

실험 결과

연구 질문

• RQ1 실시간으로 상호작용 가능한 웹 인터페이스가 약물 발굴의 리드 최적화 단계를 크게 가속화할 수 있는가?
• RQ2 단일 인터페이스에 다수의 ADMET 및 결합 친화도 예측을 통합할 경우 약물 개발자의 의사결정에 얼마나 기여할 수 있는가?
• RQ3 실시간 딥러닝 피드백을 제공하는 인간-중심 접근 방식이 최적의 약물 후보를 향해 분자 구조 수정을 얼마나 효과적으로 이끌 수 있는가?
• RQ4 다양한 딥러닝 모델을 기반으로 한 통합 플랫폼이 단일 모델 또는 고전적 머신러닝에 의존하는 도구보다 ADMET 예측에서 더 뛰어난 성능을 보일 수 있는가?

주요 결과

• MolDesigner는 결합 친화도 및 16개의 ADMET 특성에 대해 1초 이내로 예측을 제공하여 반복적인 최적화를 가능하게 합니다.
• 시스템은 MPNN, CNN, DNN 등 모리건 지문 기반의 약물 및 단백질 표현을 위한 50개 이상의 최신 딥러닝 모델을 통합하고 있습니다.
• 즉각적인 피드백을 제공하는 상호작용 가능한 분자 편집 기능을 통해 개발자가 예측된 특성에 기반해 구조를 개선할 수 있습니다.
• 모든 수준의 전문성에서 사용 가능한 인터페이스로, 원격 상호작용과 구조 편집 중인 특성 변화의 실시간 시각화를 지원합니다.
• 스크린샷 및 플래깅 기능을 통해 설계 반복 과정을 추적할 수 있어 재현성과 협업이 향상됩니다.
• 시스템은 임상 및 연구 환경에서 딥러닝 기반의 약물 설계를 위한 통합적이고 상호작용 가능하며 확장 가능한 프레임워크의 실현 가능성을 입증합니다.