計算・AI創薬 Journal of Chemical Information and Modeling (ACS)

DockBind:品質管理したドッキング構造と実測親和性を対応づけ、スコアリング関数の学習に提供

  • 機械学習型スコアリング関数は学習データ不足が課題であり、著者らは現実的なモデル複合体を得るドッキングワークフローを構築した。
  • 拡張したベンチマークで、テンプレート非依存・依存のドッキングと、リガンド類似性・最大共通部分構造によるポーズ選別を比較して調整し、Binding MOAD、PDB、ChEMBL、BindingDBの記録に適用した。
  • 得られたDockBindは多数の標的と多様な化学構造を含み、スコアリング関数の学習とベンチマークに使える。
ポイント アブストラクトに基づく見解

まず気になるのは、ラベルが何なのかという点だ。結晶構造のリガンドで測った親和性を、間違っている可能性のあるドッキングポーズに紐づけている。ポーズ選別は役に立つが、これで学習したスコアリング関数はドッキングソフト自体のバイアスを覚えかねない。性能向上を信じる前に、時間分割やターゲット分割でのテストと、結晶ポーズで学習した場合との比較を見たい。