創薬AI2025/5/1arXiv:2505.11529

DynamicDTA: 動的記述子とグラフ表現を用いた薬剤-標的結合親和性予測

DynamicDTA: Drug-Target Binding Affinity Prediction Using Dynamic Descriptors and Graph Representation

薬剤配列・タンパク質配列・動的記述子を統合し、動的タンパク質特徴を考慮した深層学習で薬剤-標的結合親和性を予測する手法を提案。

詳しい要約

1. どんなもの？

- 薬剤-標的結合親和性(DTA)予測のための深層学習フレームワーク DynamicDTA の提案 - 静的なタンパク質構造だけでなく、動的なタンパク質特徴も取り込む点が特徴 - 入力は drug sequence、protein sequence、dynamic descriptors の3種類 - 薬剤は molecular graph 表現、タンパク質は配列、動的特徴は MLP で処理し統合する

2. 先行研究と比べてどこがすごい？

- 既存モデルの多くは静的なタンパク質構造に依存し、タンパク質の動的性質を軽視していた - DynamicDTA は静的・動的タンパク質特徴の両方を統合する点で先行研究と異なる - 3つのデータセットで7つの state-of-the-art baseline と比較し、RMSE で少なくとも3.4%改善 - 新規薬剤予測や docking complex の可視化により生物学的妥当性も示す

3. 技術・手法の肝は？

- drug sequence から molecular graph を生成し graph convolutional network で処理 - protein sequence は dilated convolutions でエンコード - root mean square fluctuation などの dynamic descriptors を multi-layer perceptron で処理 - 静的タンパク質特徴と cross-attention で融合 - 3モダリティを tensor fusion network で統合し DTA を予測

4. どうやって有効だと検証した？

- 3つのデータセットで7つの state-of-the-art baseline と比較実験を実施 - RMSE スコアで少なくとも3.4%の改善を達成 - Human Immunodeficiency Virus Type 1 に対する新規薬剤予測を実施 - docking complex を可視化し、信頼性と生物学的関連性を確認

5. 議論はある？

- 動的タンパク質特徴の導入が DTA 予測精度向上に寄与することを示唆 - 新規薬剤予測と docking complex 可視化により生物学的妥当性を主張 - ただし具体的な限界や失敗事例、計算コストに関する議論は要旨からは不明 - 動的記述子の種類や選択理由の詳細も要旨からは不明

6. 次に読むべき論文は？

- 比較対象の7つの state-of-the-art baseline のうち、要旨で個別名称は示されていないため特定不可 - 関連手法として graph convolutional network、dilated convolutions、cross-attention、tensor fusion network の原論文 - 動的タンパク質特徴として root mean square fluctuation を用いる molecular dynamics 関連研究 - DTA 予測の定番ベンチマークである Davis、KIBA などのデータセット論文

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Dan Luo, Jinyu Zhou, Le Xu, Sisi Yuan, Xuan Lin

分類: cs.RO, cs.LG

原文アブストラクト

Predicting drug-target binding affinity (DTA) is essential for identifying potential therapeutic candidates in drug discovery. However, most existing models rely heavily on static protein structures, often overlooking the dynamic nature of proteins, which is crucial for capturing conformational flexibility that will be beneficial for protein binding interactions. We introduce DynamicDTA, an innovative deep learning framework that incorporates static and dynamic protein features to enhance DTA prediction. The proposed DynamicDTA takes three types of inputs, including drug sequence, protein sequence, and dynamic descriptors. A molecular graph representation of the drug sequence is generated and subsequently processed through graph convolutional network, while the protein sequence is encoded using dilated convolutions. Dynamic descriptors, such as root mean square fluctuation, are processed through a multi-layer perceptron. These embedding features are fused with static protein features using cross-attention, and a tensor fusion network integrates all three modalities for DTA prediction. Extensive experiments on three datasets demonstrate that DynamicDTA achieves by at least 3.4% improvement in RMSE score with comparison to seven state-of-the-art baseline methods. Additionally, predicting novel drugs for Human Immunodeficiency Virus Type 1 and visualizing the docking complexes further demonstrates the reliability and biological relevance of DynamicDTA.

arXivで原文を読む →arXiv概要ページ

← 論文一覧