学習済みMLフォースフィールドでタンパク質–リガンド結合を数秒〜数十秒でスコア化、FEPベンチマークでも健闘
- SO3LR-SFは、学習済みのSO3LR機械学習フォースフィールドに、反発・静電・分散の物理項を組み合わせ、タンパク質–リガンド複合体の活性部位モデルをスコア化する。
- 小さな活性部位モデルでは高精度量子化学計算を基準に、さらに自由エネルギー計算の評価に使われるリガンド順位付けの2データセットで検証した。
- 順位付けの精度は最良の半経験的手法やMM/GBSAと同等、Glideを上回り、一方のセットではMDベースの自由エネルギー法に近い水準。1複合体あたりCPUで数秒〜1分未満で済む。
- 複合体での学習による成績の水増しを受けにくい設計だと著者は位置づけている。
💡 ポイント アブストラクトに基づく見解
MM/GBSAと並びGlideをやや上回るのは有用だが、ここでのFEPセットは後ろ向きのコンジェネリック系列で、どのスコア関数にも易しい条件だ。自社のSARクリフを含む系列に当て、FEP+が外すものを拾えるかを見たい。そこで通用すれば、複合体あたり数秒〜数十秒はドッキング後のリスコアリング層として現実的だ。
Explainable ML force-field for evaluating protein–ligand binding energy using SO3LR ↗