ポーズ集合を学習したMLPで難標的LRH-1のドッキング順位付けを改善、結合候補4化合物を同定
- 物理ベースの標的ドッキングと生成モデルによるブラインドドッキングで、複数のLRH-1受容体構造に得たポーズから2つのMLPを学習し、オルソステリックポケットでの結合剤・活性化剤を予測する。単一ポーズや単一スコアへの依存を避けられる。
- 化学的に異なる分布外セットでは、訓練データと似ない化合物を見出し、単一骨格の修飾にも応答したため、リード最適化への利用が示唆される。
- 小規模な前向きキャンペーンで結合候補4化合物が得られ、ドッキングスコアとMLP予測の併用により、ライブラリ規模を問わずヒット濃縮が向上した。
💡 ポイント アブストラクトに基づく見解
推定結合体4つはドッキングとMLによる結果であり、検証済みではない。ヒットと呼ぶ前にDSF、SPR、共結晶などの物理的な結合確認がほしい。LRH-1のポケットは脂溶性が高く何でも入りやすいので、ポーズ由来の特徴が実質的に脂溶性や分子サイズを符号化しているだけかもしれず、物性を揃えたデコイ集合でMLPを検証したい。ドッキングスコアとの併用による改善は、他にも転用しやすい有用な点だ。