環状ペプチドの機械学習、膜透過性は予測できるが結合親和性と半減期は依然難題
- 公開されている環状ペプチドのデータを整理し、膜透過性・結合親和性・半減期について、多様なモデルと分子表現を後ろ向きに比較したベンチマークです。
- 最も予測しやすいのは膜透過性で、親和性と半減期は難しいままです。回帰では木系アンサンブル、分類では事前学習済み化学言語モデルが優勢でしたが、万能なモデルはありません。
- データの分割法や課題設定、データ構成で見かけの性能が変わるため、ノースキル基準との比較が不可欠だと示しています。再現用の枠組みも公開。査読前のプレプリントです。
💡 ポイント アブストラクトに基づく見解
環状ペプチドのモデルを信用する前に、分割の切り方を確認したい。同じラボの類縁骨格が混ざるランダム分割では透過性のスコアが甘くなりがちで、この指標が学習しやすく見える一因はアッセイの一貫性にもあるはずだ。自社の案件では、化学シリーズ単位でホールドアウトし、合成に進む前に自分たちのアッセイでノースキル基準と比べておきたい。
Assessing the predictive limits of machine learning on cyclic peptides ↗