研究者はAIを用いて結合効率を計算し、薬剤発見のスピードを高めようとしている

MITの研究者は、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速度を高めることで、薬剤の発見をスピードアップするための新しいAI駆動技術を最近開発しました。

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。薬剤がタンパク質に結合する能力を評価することは、薬剤の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を評価するため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、これを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て、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、伝統的な方法に比べて、薬剤の結合能力の推定を大幅に高速化し、薬剤の発見のスピードを高めることが期待されています。

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によって量化され、数値が小さいほど結合ポテンシャルが高くなります。低い結合自由エネルギー値は、薬剤が他の分子と競合してタンパク質の正常な機能を妨害する能力が高いことを意味します。薬剤候補の結合自由エネルギーとその薬剤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かなり難しい場合があります。

結合自由エネルギーを測定するために使用される典型的な方法は2つあります。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方法であり、もう1つの方法は、結合自由エネルギーの量を推定する方法です。推定は、正確な測定よりも計算コストが低いですが、明らかに精度のトレードオフが伴います。

DeepBAR法は、正確な測定方法よりも計算コストを大幅に削減しながら、結合エネルギーの高精度な推定を提供します。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つのベースライン/エンドポイント状態とさまざまな中間状態（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、コンピュータビジョンアルゴリズムは通常2D画像で動作するため、3D構造の分析に合わせてアルゴリズムを少し変更する必要がありました。

初期テストで、DeepBARは、伝統的な技術よりも約50倍高速に結合自由エネルギーを計算することができました。まだ作業する必要があります。モデルは、初期テストで使用された比較的単純なデータよりも、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、コンピュータサイエンスの最近の進歩を使用してモデルを改良することで、DeepBarの結合自由エネルギーを大きなタンパク質に対して計算する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スピードを高めることを目的として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の向上のために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天然のボトルネックがある可能性があります。

Derek Loweは最近、ScienceMag.orgのブログで、薬剤発見のスピードを高めることを目標としている場合、「正しい問題に攻撃する」ことが重要であると主張しました。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低減することは難しいです。最終的には、AIが臨床評価プロセスに有意義に統合されるまでに、AI方法で薬剤発見の時間を節約できる下限がある可能性があります。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。