2021 Fiscal Year Annual Research Report
毒性を考慮したp53標的放射線防護剤のスクリーニング手法の開発
| Project/Area Number |
20J22753
|
|---|
| Research Institution | Tokyo University of Science |
|---|
Principal Investigator |
本橋 春香 東京理科大学, 大学院理工学研究科, 特別研究員(DC1)
|
|---|
| Project Period (FY) |
2020-04-24 – 2023-03-31
|
| Keywords | 放射線防護剤 / バーチャルスクリーニング / 機械学習 / 帰納論理プログラミング |
|---|
| Outline of Annual Research Achievements |
本研究の目的は毒性を考慮した放射線防護剤候補化合物のスクリーニング手法の開発である．2021年度は，8-キノリノール類の細胞毒性および放射線防護活性の測定実験の結果を用いて，8-キノリノール類とp53タンパク質の結合に寄与する部分構造についての解析を行い，放射線防護活性の有無を予測するモデルの開発とその学習結果に関する解析を行った．
具体的には，機械学習によって得られた候補化合物の放射性防護活性の有無を分類するモデルの分類結果に対して帰納論理プログラミング（Inductive Logic Programming: ILP）を適用し，分類モデルの判断基準を可読性のあるルールとして出力した．分類モデルの学習には化合物の分子構造から計算できる科学的特性や物理的特性を用いる一方で，ILPに対しては化合物の部分構造に関する情報を入力として与えることで，放射性防護活性のある化合物に共通する部分構造に関するルールを出力した．放射性防護活性が高い33個および放射性防護活性が低い31個，計64個の8-キノリノール骨格を持つ化合物の背景知識（特徴量）を用いてルールの生成を行なった．
解析の結果，放射線防護活性の高い化合物に共通するいくつかのルールが得られた．得られたルールは化合物の置換基の構造や結合する炭素原子の位置に関するものであり，複雑な機械学習モデルの出力を可読性のあるルールによって説明することができた．今後は機械学習モデルの特徴量を見直し複数の形状のp53タンパク質に対するドッキングシミュレーションの結果を特徴量として用いることで放射線防護活性予測モデルの性能を向上させ，さらに置換構造に関するより抽象的なルールを出力することで化合物の部分構造と放射線防護活性の関係を明らかにする予定である．
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
2021年度は当初の研究計画からアプローチを変更し，機械学習によって得られた放射線防護活性予測モデルに対して帰納論理プログラミングを用いて解釈性を与えることで，化合物の部分構造と放射線防護活性の関連性に関する解析を行った．本分析手法は本研究で扱う化合物のデータとは構造の異なる時系列データに対しても適用可能であることが示されており，手法の汎用性から本研究における解析に利用した．結果として候補化合物の放射線防護活性に関連する部分構造についてのルールを抽出することができ，次年度の研究へと繋がる成果を得たため，概ね順調に進展していると評価する．
|
| Strategy for Future Research Activity |
前年度までの研究で得られた知見から，放射線防護活性の予測モデルの特徴量の見直しと性能評価を行う．さらにその予測結果に対して帰納論理プログラミングを適用し，8-キノリノール類の部分構造と放射線防護活性との関連性を明らかにしていく．最終的に得られた放射線防護活性予測モデルを先行研究で得られた細胞毒性の予測モデルと組み合わせて，細胞毒性を考慮したp53放射性防護剤候補化合物のランキング手法を開発する．得られたスクリーニング手法に関する論文，またこれまで得られた研究結果をまとめた論文を執筆し，論文投稿及び学会発表を行う．
|
