[논문 리뷰] Pafnucy - A deep neural network for structure-based drug discovery.

Marta M. Stepniewska-Dziubinska, Piotr Zielenkiewicz외 1명|arXiv (Cornell University)|2017. 12. 19.

Computational Drug Discovery Methods참고 문헌 43인용 수 3

한 줄 요약

Pafnucy는 단백질-리간드 복합체의 3D 격자 표현을 처리하여 원자들을 동일하게 취급함으로써 리간드-수용체 결합 친화도를 예측하는 3D 컨volution 신경망이다. CASF-2016 및 Astex 다각도 벤치마크 세트에서 전통적인 스코어링 함수를 능가하며, 더 뛰어난 가상 스크리닝 성능을 보여준다.

ABSTRACT

Virtual screening is one of the most successful approaches for augmenting the drug discovery process. Currently, there is a notable shift towards machine learning (ML) methodologies to aid this process. Deep learning has recently gained considerable attention as it allows the model to learn to extract features that are relevant for the task at hand. We have developed a new deep neural network tailored to estimating the binding affinity of ligand-receptor complexes. The complex is represented with a 3D grid, and the model utilizes a 3D convolution to produce a feature map of this representation, treating the atoms of both proteins and ligands in the same manner. Our network was tested on the CASF power benchmark and Astex diverse set and outperformed classical scoring functions. The model, together with usage instructions and examples, is available as a git repository at this http URL

연구 동기 및 목표

• 구조 기반 약물 발견에서 가상 스크리닝 정확도를 향상시키는 딥 러닝 모델을 개발하는 것.
• 엔드 투 엔드 학습을 위한 3D 격자 공간에서 단백질 및 리간드 원자를 통합된 표현으로 다루는 것.
• 기존 스코어링 함수보다 표준 벤치마크 데이터셋에서 결합 친화도 예측 성능을 뛰어나게 하는 것.
• 약물 발견 공동체에서 사용할 수 있고 잘 문서화된 딥 러닝 도구를 제공하는 것.

제안 방법

• 모델은 단백질-리간드 복합체의 3D 격자 표현을 처리하기 위해 3D 컨볼루션 신경망을 사용한다.
• 단백질과 리간드의 원자들이 고정된 공간 해상도를 사용하여 3D 격자에 인코딩된다.
• 네트워크는 격자 표현에서 계층적인 공간 특징을 추출하기 위해 3D 컨볼루션을 적용한다.
• 최종 레이어는 학습된 특징 맵을 기반으로 예측된 결합 친화도 스코어를 출력한다.
• 아키텍처는 표준 벤치마크 데이터셋의 레이블된 결합 친화도 데이터를 기반으로 엔드 투 엔드로 훈련된다.

실험 결과

연구 질문

• RQ1 3D 컨볼루션 신경망은 결합 친화도 예측을 위해 3D 단백질-리간드 복합체 표현으로부터 관련 특징을 효과적으로 학습할 수 있는가?
• RQ2 3D 격자에서 단백질과 리간드 원자를 통합적으로 취급하는 것이 기존 방법에 비해 성능 향상에 기여하는가?
• RQ3 모델의 성능은 표준 벤치마크 데이터셋에서 전통적인 스코어링 함수와 비교해 어떻게 되는가?
• RQ4 모델은 약물 유사 화합물의 다양한 화학적 및 구조적 환경에 대해 일반화할 수 있는가?

주요 결과

• Pafnucy는 CASF-2016 벤치마크에서 최신 기술 수준의 성능을 달성하여 전통적인 스코어링 함수를 능가했다.
• 모델은 다양한 화학형질을 가진 어려운 데이터셋인 Astex 다각도 세트에서도 뛰어난 일반화 성능을 보였다.
• 통합된 원자 인코딩을 사용한 3D 격자 표현은 단백질 및 리간드 구성 요소 간 효과적인 특징 학습을 가능하게 하였다.
• 엄격한 벤치마킹을 통해 모델의 성능이 가상 스크리닝 과제에서의 열등성을 확인하였다.