陽性・未ラベル学習により、信頼性の低い陰性ラベルに頼らずタンパク質ポケットの創薬可能性を予測する手法
- PocketBaggerは、タンパク質ポケットが創薬標的として利用可能かを予測する機械学習モデルである。
- 薬物様リガンドが結合する既知のポケットを陽性例とし、それ以外のポケットは未ラベルとして扱うことで、信頼性の低い陰性ラベルを避ける。
- 学習データ外のポケットにも通用する汎化性の高い創薬可能性予測を目指しているが、既存手法との詳細な比較は入手した要約からは確認できなかった。
💡 ポイント アブストラクトに基づく見解
「未ラベル」は本当に中立だろうか。リガンドが未報告のポケットの多くは単に未探索なだけで、偽陰性対策として陽性・未ラベル学習は理にかなう。ただし汎化の主張は分割法次第で、相同タンパク質が学習側と評価側に混在すれば、スコアは実力以上に見える。自分の標的クラスや、後に創薬に成功したポケットでの検証が試金石になる。
PocketBagger: generalizable pocket druggability prediction via positive-unlabeled learning ↗