研究課題/領域番号 |
21K06107
|
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43040:生物物理学関連
|
研究機関 | 東北大学 |
研究代表者 |
吉留 崇 東北大学, 工学研究科, 准教授 (90456830)
|
研究期間 (年度) |
2021-04-01 – 2024-03-31
|
研究課題ステータス |
完了 (2023年度)
|
配分額 *注記 |
4,160千円 (直接経費: 3,200千円、間接経費: 960千円)
2023年度: 1,560千円 (直接経費: 1,200千円、間接経費: 360千円)
2022年度: 1,430千円 (直接経費: 1,100千円、間接経費: 330千円)
2021年度: 1,170千円 (直接経費: 900千円、間接経費: 270千円)
|
キーワード | 水和 / 深層学習 / 積分方程式理論 / タンパク質 / 溶液理論 / リガンド / リガンド結合 |
研究開始時の研究の概要 |
創薬への応用を目指し、既存のリガンド結合予測法では無視されていた「水和」を顕に考慮することで、リガンド結合予測精度を向上させることが研究の目的である。吉留らが最近開発した、深層学習に基づいてタンパク質周りの水の分布(水和分布)を数秒で得ることが出来る革新的な手法を武器として、この課題に取り組む。
|
研究成果の概要 |
まず、タンパク質水和分布を高速かつ正確に予測する深層学習モデル「gr Predictor」を完成させ、論文を出版するとともに、GitHubで公開した。次に、gr Predictorを発展させ、グリッド不均一溶液理論(Grid-Inhomogeneous Solvation Theory, GIST)で得られるタンパク質周りの水和自由エネルギー分布を高速に予測する深層学習モデル「Deep GIST」を開発した。さらに、gr PredictorとDeep GISTを用いて、リガンド結合部位の水分子の自由エネルギー解析を行い、リガンド結合に伴い移動する水分子の特徴の1部を明らかにした。
|
研究成果の学術的意義や社会的意義 |
開発したgr PredictorやDeep GISTの創薬への応用が期待できる。既存のドッキングソフトは高速にリガンド結合部位を予測できる一方、予測精度が高くないことが問題である。その原因の1つとして水を顕に考慮していないことが挙げられる。gr PredictorやDeep GISTを導入することで、計算速度はそのままで予測精度が向上することが期待される。
|