能動学習により、キナーゼ向けフラグメント組換え空間のごく一部をドッキングするだけで有望リガンドを探索できる
- KinFragLibに基づくサブポケット対応のフラグメント組換えに、ドッキング、機械学習の代理モデル、評価済みリガンド周辺での付加・削除・置換という遺伝的アルゴリズム風の操作を組み合わせている。
- 約21万リガンドの組換え空間を対象に、PKAでケーススタディを行った(後ろ向きの検証)。
- ドッキング計算は空間のごく一部で済み、貪欲な獲得戦略で上位リガンドの約半数を回収し、ランダム選択を大きく上回った。
- 多様性を考慮した戦略では、性能をほぼ保ったままフラグメントやヒンジ結合モチーフの網羅性が広がった。
💡 ポイント アブストラクトに基づく見解
「上位リガンドの約半数を回収」という数字は、ドッキングスコアを正解とした場合にしか意味を持たない。つまりここで測られているのは、代理モデルがドッキングスコアをどれだけ再現できるかであり、親和性ではない。しかもキナーゼ1種、後ろ向きで、空間全体が事前にドッキング済みと思われる。自分のプロジェクトなら、組換えヒットを信頼する前に、別標的での再現と合成可能性や実験での確認を求めたい。
Active Learning for Fragment-Based Kinase Inhibitor Discovery using Docking ↗