アクティブラーニングが巨大なキナーゼ断片再結合ライブラリ探索のドッキング計算コストを削減
- この枠組みは、KinFragLibに基づくサブポケットを考慮した断片再結合、ドッキング、機械学習の代理モデル、そして評価済みリガンド周辺での断片の追加・削除・置換という遺伝的アルゴリズム風の探索を組み合わせる。
- プロテインキナーゼAを対象に非常に大きな再結合空間で後ろ向きに検証され、高コストなドッキングを行ったのはごく一部のリガンドだけで、高スコアの候補が多数見つかった。
- 貪欲な獲得戦略は上位リガンドの多くを回収し、ランダムサンプリングを明確に上回った。多様性を考慮した戦略は、競争力を保ちつつ断片やヒンジ結合モチーフの網羅性を高めた。
💡 ポイント アブストラクトに基づく見解
PKAはこの手法にとって最も相性のよいキナーゼの一つです。剛直性が高く研究も進んだポケットで、ドッキングスコアがそれなりに濃縮と相関します。ドッキング上位の回収を後ろ向きに示しても、代理モデルがドッキング関数を学習しただけで、親和性を捉えた証拠にはなりません。自分の標的に使う前に、FEPや少数の選抜化合物の実測といった独立した検証と、再結合分子の合成可能性を確認したいです。
Active Learning for Fragment-Based Kinase Inhibitor Discovery using Docking ↗