Comprehensive prediction of cryptic binding sites by multi-task deep learning

2022 Fiscal Year Final Research Report

• Project/Area Number: 20K19917
• Research Category: Grant-in-Aid for Early-Career Scientists
• Allocation Type: Multi-year Fund
• Review Section: Basic Section 62010:Life, health and medical informatics-related
• Research Institution: Tokyo Institute of Technology
• Principal Investigator: Yanagisawa Keisuke 東京工業大学, 情報理工学院, 助教 (40866646)
• Project Period (FY): 2020-04-01 – 2023-03-31
• Keywords: リガンド結合部位予測 / 隠された結合部位 / 深層学習 / マルチタスク学習 / 畳み込みニューラルネットワーク / 網羅的予測 / 共溶媒分子動力学法

Outline of Final Research Achievements

The purpose of this study was to develop a fast prediction method for cryptic binding sites in protein structures and to provide useful information for drug target protein selection.
By creating protein structures in which cryptic binding sites appeared through mixed-solvent molecular dynamics (MSMD) simulations, we augmented the training data and achieved prediction by deep learning.
In FY2023, Meller et al. developed a fast prediction method using AlphaFold, thus we improved the MSMD simulation method to develop a cryptic binding site search method specifically for cyclic peptides, a drug discovery modality that has been attracting attention in recent years.

Free Research Field

創薬支援計算、構造ベースバーチャルスクリーニング、共溶媒分子動力学法

Academic Significance and Societal Importance of the Research Achievements

本研究は薬剤設計が難しいと考えられてきた病気に対して、創薬を加速させるための手法の研究である。
昨今の創薬は、1つの新規薬剤を開発・販売するまでに10年以上の時間と数千億円もの投資が必要であり、これが新薬の薬価の高騰を招いている。本研究は、その新薬開発にかかる時間・金銭的コストを削減するものである。さらに、本手法は既に薬剤が開発されている病気に対しても、副作用の少ない薬剤を設計するための指針になりうる。