計算・AI創薬 Journal of Chemical Information and Modeling (ACS)
MLドッキングやコフォールディングは活性部位を捉えるが、基質ポーズの予測は不正確
- 8種の機械学習ドッキング/コフォールディングツールを、物理ベースのドッキングプログラムと比較した。対象は金属イオンの有無で分けた多様な酵素–基質複合体のキュレーション済みデータセットである。
- 評価は後ろ向きで、既知構造に対するポーズ精度と物理的妥当性を採点した。
- 物理ベースの基準を上回るML手法はなかった。一方、コフォールディングモデルは活性部位の特定に優れ、小規模な旧型モデルも同等であった。金属イオンの存在も性能に影響した。
ポイント アブストラクトに基づく見解
物理ベースのドッキングを手放す前に、注目すべきはむしろ比較基準の側だ。旧来のプログラムが妥当なポーズで今も勝つなら、PoseBusters型の妥当性フィルタが実際に効いていることになる。また、既知酵素でのコフォールディングの成績は学習データの記憶と区別しにくく、学習セットとの類似度別の内訳という分析が欠けている。金属酵素のプロジェクトでは、ドッキング工程を残すのが無難だ。
原論文: Journal of Chemical Information and Modeling (ACS) ↗ Co-Folding Models Localize Enzyme Active Sites but Fail to Accurately Predict Enzyme–Substrate Complex Structures