研究課題
若手研究
本研究では深層学習を利用し、高い活性化合物を予測する創薬方法論の開発と、これまで“化学者の常識”では見出すことができなかった新規骨格を持つ生理活性物質を発見することである。機械学習は様々な分野で功績をあげているが、創薬においては汎用的な方法論は確立されていない。そこで、化学構造自体を[入力]しAIに化合物を学習させる深層学習を利用し、HDAC阻害薬をモデルとして本手法の有用性を明らかにする。
計算機による薬物スクリーニングはコスト・時間を削減できる有効な創薬手法になる。既知の活性化合物を元にその類似化合物を予測するLigand-Based Drug Discovery (LBDD) 型の計算法は、標的タンパク質の構造を必要としない。本研究では、深層学習を活用し、汎用的に高い精度が得られる新規LBDD型の計算法の開発を目指した。深層学習では、化合物情報そのものを入力でき、AI自体が化合物の特徴を自動的に学ぶことができるため、汎用的なモデルが作成できるのではないかと考えた。今回、がんの創薬標的として興味深い、エピジェネティクス関連酵素である、ヒストン脱アセチル化酵素1(HDAC)1を用い、深層学習モデルの性能を評価した。まず、化合物・生物活性データに関するデータベースであるChEMBLを用いて学習データセットを準備し、作成した活性予測期モデルに学習させた。学習データセットに対する精度、AUC解析により、本活性予測期は、報告例のある既存のモデルよりも高い精度で化合物を予測できることがわかった。さらに、学習したAIを用い、大規模な化合物ライブラリー(約100万化合物)に対するスクリーニングを行った。その結果、化合物濃度10 microMで、HDACの活性を50%程度阻害する化合物を同定した。現在、同定した化合物のさらなる生物学的評価および、構造最適化に適応可能な深層学習モデルの作成を行っている。今後、作成した構造最適化モデルを、同定した化合物に適応する予定である。
2: おおむね順調に進展している
学習データセットに対し、既存のモデルよりも高い精度を担保できる、深層学習モデルを作成できたため。さらに、本モデルを用い、活性化合物の同定に成功しているため。
同定した化合物の、構造を最適化する深層学習モデルを作成する。
すべて 2023 2022
すべて 雑誌論文 (4件) (うち国際共著 1件、 査読あり 4件) 学会発表 (10件)
有機合成化学協会誌
巻: 80 号: 7 ページ: 664-675
10.5059/yukigoseikyokaishi.80.664
ACS Medicinal Chemistry Letters
巻: 13 号: 10 ページ: 1568-1573
10.1021/acsmedchemlett.2c00126
Chem. Commun.
巻: 58 号: 29 ページ: 5051-5056
10.1039/d2cc00272h
Current Opinion in Chemical Biology
巻: 67 ページ: 102130-102130
10.1016/j.cbpa.2022.102130