要約
新規薬物-標的（DT）相互作用の同定は、医薬品開発プロセスにおいて重要な部分を占めています。これまで提案されたDT相互作用の予測に向けた計算手法の多くは、相互作用が存在するかどうかを判定することを目指す二値分類に焦点を当ててきました。しかし、タンパク質-リガンド相互作用は結合強度値の連続体を仮定しており、この値を予測することは依然として課題となっています。DT知識ベースで利用可能な親和性データの増加により、深層学習アーキテクチャなどの先進的な学習技術を使用して結合親和性を予測することが可能になりました。本研究では、標的と薬物のシーケンス情報のみを使用してDT相互作用の結合親和性を予測する深層学習ベースのモデルを提案します。DT結合親和性予測に焦点を当てる少数の研究では、タンパク質-リガンド複合体の3次元構造や化合物の2次元特徴が使用されています。本研究で用いられた新しいアプローチの一つは、畳み込みニューラルネットワーク（CNNs）を使用してタンパク質シーケンスと化合物の1次元表現をモデリングすることです。結果は、標的と薬物の1次元表現のみを使用した深層学習ベースのモデルが、薬物標的結合親和性予測において効果的なアプローチであることを示しています。薬物と標的の高レベルな表現がCNNsを通じて構築されるモデルは、私たちが使用した大きなベンチマークデータセットの一つで最高のコンコordanス指数（CI）性能を達成し、KronRLSアルゴリズムや最先端手法であるSimBoostよりも優れた性能を示しました。