SILCSの膜自由エネルギープロファイルを機械学習に活用した透過性予測
- 数千化合物についてSILCSで脂質二重膜を横切る自由エネルギープロファイルを計算し、プロトン化状態も考慮して、機械学習による透過性予測モデルの入力特徴量とした。
- 膜モデルは、コレステロール含有二重膜、PAMPA類似膜、血液脳関門モデルの3種類である。
- 評価は後ろ向きのみで、精度は既報モデルと同等とされ、官能基ごとのエネルギー寄与が最適化の指針になる。官能基エネルギーに基づく特徴量は新規化学空間への汎化に有利な可能性があるが、細胞アッセイ由来の学習データにはトランスポーター影響という限界がある。
💡 ポイント アブストラクトに基づく見解
「既報モデルと同等」という点こそ疑うべきだ。同じ細胞アッセイデータで分子フィンガープリントのモデルが同程度の精度を出すなら、シミュレーションのコストで得られるのは解釈性だけになる。官能基ごとのエネルギー寄与は確かに魅力だが、信頼する前にスキャフォールド分割や時間分割での検証と、自分たちのプロジェクトの保持シリーズでの確認が要る。トランスポーターの影響を含む細胞アッセイのラベルでは、受動拡散の物理モデルの精度に上限がかかる。
📄 原論文 · Journal of Chemical Information and Modeling (ACS) ↗ Learning from SILCS FragMaps: Combining Physics-Based Energies with Artificial Intelligence for Rapid Drug Permeability Prediction