要約
ドラッグ・ターゲット相互作用の予測は、ドラッグ開発およびリード最適化において極めて大きな課題である。近年の進展として、データおよび分子シミュレーションからドラッグ・ターゲット相互作用を学習するアルゴリズムの訓練が行われている。本研究では、進化的スケールモデリング（ESM-2）モデルを活用し、Transformerを基盤とするタンパク質言語モデルを構築し、ドラッグ・ターゲット相互作用の予測に応用した。提案するアーキテクチャであるLEP-ADは、事前学習済みのESM-2モデルとTransformer-GCNモデルを統合し、結合親和性を予測するものである。Davis、KIBA、DTC、Metz、ToxCast、STITCHなど複数のデータセットを用いて、SimBoost、DeepCPI、Attention-DTA、GraphDTAなど、他の先進的手法と比較して、新たな最良の性能を達成した。さらに、タンパク質の埋め込み表現（embedding）を用いた事前学習モデル（LED-AD）が、アルファフォールドによる明示的な3次元構造表現（例：アルファフォールドによって教師されたLEP-AD）を用いたモデルよりも優れた性能を発揮することが明らかになった。LEP-ADモデルは、訓練データの規模が大きくなるにつれて、性能が良好にスケーリングする特性を示した。コードは以下のURLで公開されている：https://github.com/adaga06/LEP-AD