研究者は、AIを用いた結合効率の計算により、薬剤発見のスピードを上げることを目指している

MITの研究者は、薬剤発見のスピードを上げるために、薬剤の分子結合親和性を評価するために使用される計算のスピードを上げる、新しいAI駆動型の技術を開発しました。

薬剤は、設計されたタスクを実行するために、タンパク質に結合する能力を持っている必要があります。薬剤のタンパク質結合能力の評価は、薬剤発見とスクリーニングプロセスの重要な部分であり、機械学習技術を使用すると、この重要な薬剤属性の評価に費やされる時間を短縮することができます。

新しい薬剤評価技術を開発したMITの研究チームは、この技術をDeepBARと呼んでいます。DeepBARは、機械学習アルゴリズムと伝統的な化学計算を組み合わせたものです。DeepBARは、与えられた候補薬剤とそのターゲットタンパク質の結合ポテンシャルを計算します。この新しい分析技術は、従来の方法に比べて、薬剤の結合能力の推定を大幅に高速化します。

薬剤の結合ポテンシャルは、結合自由エネルギーと呼ばれる指標で量化されます。結合自由エネルギーが小さいほど、薬剤の結合能力が高いことを示します。結合自由エネルギーが低いほど、薬剤は他の分子と競合して、タンパク質の正常な機能を妨げることができます。薬剤候補の結合自由エネルギーとその有効性の間には、高い相関関係があります。しかし、結合自由エネルギーを測定することは非常に難しいことがあります。

結合自由エネルギーを測定するための2つの典型的な方法があります。1つの方法は、結合自由エネルギーの正確な量を計算することです。もう1つの方法は、結合自由エネルギーの量を推定することです。推定は、正確な測定よりも計算コストが低いですが、精度のトレードオフが発生します。

DeepBAR方法は、正確な測定方法よりも計算コストが大幅に低いですが、高い精度の結合エネルギー推定を提供します。DeepBARは、ベネット受容率と呼ばれるアルゴリズムを使用します。これは、結合自由エネルギーを計算するために通常使用されるアルゴリズムです。ベネット受容率には、2つの基準/エンドポイント状態と複数の中間状態（部分結合状態）が必要です。DeepBARアプローチは、ベネット受容率と機械学習フレームワークおよび深層生成モデルを使用して、結合エネルギーを推定するために必要な計算数を削減しようとします。機械学習モデルは、各エンドポイントの参照状態を生成し、これらのエンドポイントは実際のエンドポイントに十分に近いため、ベネット受容率を展開できます。

MITの研究チームによって設計された深層生成モデルは、コンピュータービジョンテクニックに基づいています。基本的に、DeepBARは、分析するすべての分子構造を画像として扱い、その「画像」の特徴を分析して学習します。研究チームは、コンピュータービジョンアルゴリズムが通常2D画像で動作するため、3D構造の分析を可能にするために、アルゴリズムにわずかな変更を加える必要がありました。

初期テストでは、DeepBARは、従来の方法に比べて、結合自由エネルギーを約50倍高速に計算することができました。まだモデルを改良する必要があるため、より複雑な実験データに対して検証する必要があります。MITの研究チームは、最近のコンピューターサイエンスの進歩を使用して、DeepBARのモデルを改良し、大きなタンパク質に対する結合自由エネルギーの計算能力を高めることを目指しています。

DeepBARは、薬剤発見のパイプラインの効率を向上させるためにAIを適用する最初の試みではありません。多くの他の研究プロジェクトも、薬剤発見のパイプラインの自動化と効率化にAIを使用しています。ただし、これらの戦略の有効性を制限する自然なボトルネックがあるかもしれません。

デレク・ロウは最近、ScienceMag.orgのブログで論じたように、薬剤発見のスピードを上げることを目標とすると、「正しい問題に取り組む」ことが重要です。薬剤の臨床的有効性と安全性の評価には、かなりの時間がかかり、AIを使用して臨床的失敗率を削減することは難しいです。最終的に、AI方法が薬剤発見に節約できる時間には、下限があるかもしれません。少なくとも、AIが臨床評価プロセスに有意に統合されるまでです。ただし、改善は改善であり、DeepBARのような研究が行われるほど、科学者は薬剤発見のパイプラインの他の領域でAIを使用する方法を検討する時間が増えることになります。