| 研究課題/領域番号 |
18K11524
|
|---|
| 研究種目 |
基盤研究(C)
|
| 配分区分 | 基金 |
|---|
| 応募区分 | 一般 |
|---|
| 審査区分 |
小区分62010:生命、健康および医療情報学関連
|
|---|
| 研究機関 | 東京工業大学 |
|---|
研究代表者 |
石田 貴士 東京工業大学, 情報理工学院, 准教授 (40508355)
|
|---|
| 研究期間 (年度) |
2018-04-01 – 2021-03-31
|
| 研究課題ステータス |
完了 (2020年度)
|
| 配分額 *注記 |
4,420千円 (直接経費: 3,400千円、間接経費: 1,020千円)
2020年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
2019年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2018年度: 1,950千円 (直接経費: 1,500千円、間接経費: 450千円)
|
|---|
| キーワード | 深層学習 / 化合物活性予測 / ヴァーチャルスクリーニング / タンパク質立体構造 / リガンド結合ポケット / 薬剤活性予測 / 3次元畳み込みニューラルネットワーク / エンドツーエンド表現学習 / タンパク質ポケット構造 / グラフニューラルネットワーク / ３次元畳み込みニューラルネットワーク / ヴァーチャル・スクリーニング |
|---|
| 研究成果の概要 |
多くの計算資源を必要とするドッキング計算を用いず、新規のタンパク質に対しても適用可能な、機械学習を用いた構造ベースの化合物活性予測手法の開発を行った。タンパク質のリガンド結合ポケット構造をグラフで表現し、グラフ畳み込みニューラルネットワークを利用することでエンドツーエンドでの学習を行うことで、既存のタンパク質の配列情報のみを利用した予測手法に比べてより高精度な予測を達成した。またAutoDock Vinaによるドッキング計算による予測と比較してもより高速な予測と良好な予測精度を実現した。
|
| 研究成果の学術的意義や社会的意義 |
新規のタンパク質に対しても利用可能なタンパク質構造と化合物構造を入力とした深層学習ベースの化合物活性予測手法を新たに開発した。これにより、実験情報のない新規のタンパク質に対しても化合物活性予測の適用が可能となり、応用可能な範囲が広がった。しかし、残念ながらその予測精度はまだ不十分であり、より実用的な利用にはさらなる今後の改良が必要となっている。
|
