[論文レビュー] Pafnucy - A deep neural network for structure-based drug discovery.

Marta M. Stepniewska-Dziubinska, Piotr Zielenkiewicz+1 more|arXiv (Cornell University)|Dec 19, 2017

Computational Drug Discovery Methods参考文献 43被引用数 3

ひとこと要約

Pafnucy は、タンパク質-リガンド複合体の 3D グリッド表現を処理し、原子を均一に扱うことで、リガンド-受容体結合親和性を予測する 3D 畳み込みニューラルネットワークである。CASF-2016 および Astex 多様ベンチマークセットにおいて、古典的スコアリング関数を上回り、優れたバーチャルスクリーニング性能を示した。

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

研究の動機と目的

• 構造ベースのドラッグディスカバリにおけるバーチャルスクリーニングの正確性を向上させる深層学習モデルの開発。
• エンドツーエンド学習を可能にするために、タンパク質とリガンドの原子を 3D グリッド空間で統一的に表現すること。
• 標準のベンチマークデータセット上で、従来のスコアリング関数を上回る結合親和性の予測性能を達成すること。
• ドラッグディスcoveryコミュニティの皆様が利用可能で、十分にドキュメント化された深層学習ツールの提供。

提案手法

• モデルは、タンパク質-リガンド複合体の 3D グリッド表現を処理する 3D 畳み込みニューラルネットワークを使用する。
• タンパク質およびリガンドの原子が、固定された空間分解能を用いて 3D グリッドにエンコードされる。
• ネットワークは、グリッド表現からの階層的な空間特徴を抽出するために 3D 畳み込みを適用する。
• 最終層は、学習された特徴マップに基づいて予測された結合親和性スコアを出力する。
• アーキテクチャは、ベンチマークデータセットからのラベル付き結合親和性データ上でエンドツーエンドに訓練される。

実験結果

リサーチクエスチョン

• RQ1 3D 畳み込みニューラルネットワークは、結合親和性予測のための関連する特徴を、3D タンパク質-リガンド複合体表現から効果的に学習できるか？
• RQ2 3D グリッド空間におけるタンパク質およびリガンド原子の統一的取り扱いは、従来の手法と比較して性能向上をもたらすか？
• RQ3 標準のベンチマークデータセット上で、モデルの性能は古典的スコアリング関数と比べてどうか？
• RQ4 モデルは、ドラッグライク化合物における多様な化学的および構造的環境に一般化できるか？

主な発見

• Pafnucy は CASF-2016 ベンチマークで最先端の性能を達成し、古典的スコアリング関数を上回った。
• モデルは、多様な化学的タイプを含む挑戦的なデータセットである Astex 多様セットにおいても強力な一般化性能を示した。
• タンパク質およびリガンド成分の両方における有効な特徴学習を可能にする、統一された原子エンコードを施した 3D グリッド表現が有効であった。
• 厳密なベンチマーク評価を通じて、モデルのバーチャルスクリーニングタスクにおける優位性が確認された。