[論文レビュー] MolDesigner: Interactive Design of Efficacious Drugs with Deep Learning

Kexin Huang, Tianfan Fu+8 more|arXiv (Cornell University)|Oct 5, 2020

Computational Drug Discovery Methods参考文献 13被引用数 7

ひとこと要約

MolDesigner は、50 以上の最先端のディープラーニングモデルを活用した人間が関与するウェブインターフェースであり、効果的な薬の即時で相互作用的な設計を可能にします。1 秒未満で結合親和定数と 16 項の薬物動態的特性（ADMET）を予測し、薬剤開発者が即時のフィードバックに基づいて分子構造を繰り返し修正し、有効性と安全性を最適化できます。

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.

研究の動機と目的

• 従来の湿式ラボによる薬の有効性および薬物動態的特性の評価にかかる高コストと長時間の問題を解決すること。
• 結合親和定数と 16 項の ADMET 指標を統合した一元的なインタラクティブインターフェースに統合すること。
• リード最適化の過程で、分子構造の修正に伴い即時のフィードバックを薬剤開発者に提供し、意思決定を支援すること。
• 個別の予測に特化しているか、一貫した統合型 UI を欠いている既存のツールの制限を克服すること。

提案手法

• Gradio を用いて構築されたウェブベースのユーザインターフェースを活用し、リアルタイムでの分子描画と相互作用を可能にしている。
• DeepPurpose ライブラリを用いて、50 以上の最先端のディープラーニングモデルを活用し、薬物標的相互作用と特性予測を実行している。
• Morgan フィンガープrint に基づくメッセージパッシングニューラルネットワーク（MPNN）、畳み込みニューラルネットワーク（CNN）、およびディープニューラルネットワーク（DNN）を用いて分子構造を処理している。
• 標準的な化学フォーマット（例：SMILES、MOL）での描画またはファイルアップロードをサポートしている。
• 結合親和定数と 16 項の ADMET 特性（例：溶解度、Caco-2 透過性、血脳関門透過性、CYP阻害）の予測を 1 秒未塔で提供している。
• ユーザーが特定の DL モデルを選択して予測を実行でき、スクリーンショットの保存と出力のフラグ設定をサポートしており、履歴追跡に役立つ。

実験結果

リサーチクエスチョン

• RQ1 インタラクティブでリアルタイムのウェブインターフェースは、薬の創出におけるリード最適化フェーズを顕著に加速できるか？
• RQ2 一元的な UI に複数の ADMET および結合親和定数予測を統合することで、薬剤開発者の意思決定がどの程度向上するか？
• RQ3 リアルタイムの DL フィードバックを伴う人間が関与するアプローチは、最適な薬剤候補に向けた分子構造の修正をどの程度効果的に導けるか？
• RQ4 多様なディープラーニングモデルを活用する統合プラットフォームは、単一モデルや古典的機械学習に依存するツールに比べ、ADMET 予測において優れているか？

主な発見

• MolDesigner は、結合親和定数と 16 項の ADMET 特性を 1 秒未塔で予測し、迅速な反復を可能にしている。
• MPNN、CNN、Morgan フィンガープrint に基づく DNN を含む 50 以上の最先端のディープラーニングモデルを統合しており、薬物およびタンパク質の表現に用いられている。
• 即時のフィードバックを伴うインタラクティブな分子編集をサポートしており、開発者が予測された特性に基づいて構造を最適化できる。
• 経験の有無に関わらず使いやすいように設計されており、リモート接続と構造編集時の特性変化のリアルタイム可視化をサポートしている。
• スクリーンショットとフラグ設定の機能により、設計の反復履歴を追跡でき、再現性と共同作業性が向上している。
• 臨床的および研究的文脈において、ディープラーニング駆動の薬の設計を統合的でインタラクティブかつスケーラブルなフレームワークとして実現可能であると示している。