2022 Fiscal Year Annual Research Report
Development of a computational drug design method for targeting protein-protein interactions
| Project/Area Number |
20H04280
|
|---|
| Research Institution | Tokyo Institute of Technology |
|---|
Principal Investigator |
大上 雅史 東京工業大学, 情報理工学院, 助教 (50743209)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
山本 一樹 東京大学, アイソトープ総合センター, 特任助教 (90758301)
|
|---|
| Project Period (FY) |
2020-04-01 – 2023-03-31
|
| Keywords | ケモインフォマティクス / タンパク質間相互作用 / 医薬品設計 / 機械学習 / 高性能計算 |
|---|
| Outline of Annual Research Achievements |
タンパク質間相互作用 (PPI) を対象としたIT創薬手法の確立は、これまでに治療が叶わなかった疾病の根治や、創薬産業の加速に必須である。PPIを狙う創薬で は、①未知のPPIの可能性が網羅的に調べられていないこと、②PPIを標的とする医薬品の計算設計技術がほとんど無いこと、の2点が大きな課題であった。今年度は、未知のPPIを標的とした薬剤分子の設計を可能にする計算技術の研究開発を目的とし、当初の計画に沿ってPPI予測技術の高度化ならびにPPI標的薬の設計指標 として適切な指標の構築を行った。 PPI予測技術の高度化では、既存のMEGADOCKの並列化方式の改良や「富岳」スパコンを使った大規模計算のための実装評価を実施した。PPI標的薬剤の設計指標の構築では、深層強化学習に基づく分子生成モデルであるREINVENTをベースとして、分子生成モデルへQEPPIを組み込んだiPPI-REINVENTを開発し、PPI標的向けバーチャル化合物によるバーチャルライブラリー構築を進めた。さらに、機械学習における予測の解釈可能性を上げるため、Applicability Domainを用いた予測の信頼性の提供方法、グラフニューラルネットワークとattention weightを用いた予測結果の解釈可能性可視化技術を開発した。特に、グラフニューラルネットワークでは複数の分子表現（原子グラフやファーマコフォアグラフ、ジャンクションツリーグラフなど）を複合的に用いることで、タスクごとにどのような部分構造が予測に寄与しているかを把握しやすくなり、解釈可能性の向上に寄与した。
|
| Research Progress Status |
令和4年度が最終年度であるため、記入しない。
|
| Strategy for Future Research Activity |
令和4年度が最終年度であるため、記入しない。
|
