CA-DEL: An Open Multi-Target, Multi-Modal Benchmark for Learning from DNA-Encoded Library Screens

技術概要：DNA 標識ライブラリスクリーニングのための CA-DEL ベンチマーク

問題定義
創薬における機械学習（ML）の応用は、DNA 標識ライブラリ（DEL）データの性質によって根本的に制約されています。DEL 技術は数十億個の分子のスクリーニングを可能にしますが、主要な実験出力であるシーケンシングリードカウントは、真の分子結合親和性の間接的かつノイズの多い代理指標です。このシグナルは、非特異的結合、合成不純物、PCR 増幅バイアスによって混乱させられます。さらに、DEL 解析の既存の公開ベンチマークは決定的な欠陥を有しています。これらは往々にして、真実の検証（ground-truth validation）なしにノイズの多いエンリッチメントスコアのみを依存しており、微細な 3 次元構造情報を欠き、高度に相同なタンパク質アイソフォーム間の選択性を予測するという特有の課題に対処できていません。その結果、これらのシグナルのノイズ除去を行い、ハイスループットスクリーニングデータからリード化合物へ最適化された化合物へ一般化できるモデルを評価するための堅牢なベンチマークが不足しています。

手法とデータセット構築
これらのギャップに対処するため、著者らは炭酸脱水酵素（CA）アイソフォームに焦点を当てた、多次元かつオープンなベンチマークデータセット「CA-DEL」を導入します。データセットの構築は、以下の 3 つの主要な構成要素からなります：

1. マルチターゲット選択性課題：このベンチマークは、3 つのヒト CA アイソフォームをターゲットとします。すなわち、普遍的なアンチターゲットである CAII、およびがん特異的ターゲットである CAIX と CAXII です。活性部位の高い相同性にもかかわらず、これらのタンパク質はアイソフォーム特異的な結合を区別するために微細な構造的特徴を学習するモデルを必要とし、選択的インヒビター設計の臨床的必要性をシミュレートします。
2. シミュレーションから現実への評価パラダイム：このデータセットは、スクリーニングと検証の間のギャップを埋めるように構造化されています。
   • トレーニングセット：CAS-DEL と DOS-DEL-1 の 2 つの異なる DEL ライブラリから派生し、エンリッチメントファクターデータを約 36 万化合物含みます。
   • テストセット：ChEMBL から完全に供給され、正確かつ実験的に決定された結合親和性（$K_i$）を持つドラッグライクな分子で構成されます。
   • 分布シフト：意図的にアウト・オブ・ディストリビューション（OOD）課題が設計されており、トレーニングデータ（組み合わせライブラリ）とテストデータ（ChEMBL）は、化学空間の明確で重なりのない領域を占め、物性（例：QED、分子量）において異なります。
3. マルチモーダル表現生成：3 次元構造的文脈を組み込むため、著者らはタンパク質 - リガンドコンフォメーションを生成するパイプラインを確立しました。高解像度の PDB 構造とドッキング用の SMINA を使用し、各リガンド - タンパク質ペアに対して最大 9 つの妥当な結合ポーズのアンサンブルを生成しました。このアプローチは、コンフォメーション事後分布の堅牢な離散近似を提供することにより、単一のドッキングスコアの信頼性のなさにモデル性能を依存させることを回避します。

主要な貢献
本論文は、以下の 4 つの主要な貢献を概説しています：

• マルチターゲット選択性ベンチマーク：保存された触媒メカニズムにおける選択性の課題に対処し、高度に相同な CA アイソフォームに対するモデルを評価するための専門的なテストベッド。
• マルチモーダル分子表現：20 万を超える化合物について、従来の 2 次元トポロジーと体系的に生成された 3 次元タンパク質 - リガンドコンフォメーションを統合し、幾何学的深層学習の大規模評価を可能にします。
• 真実検証済み OOD 課題：ノイズの多い DEL エンリッチメントシグナルから精密な ChEMBL $K_i$ 値への一般化をテストするタスク設計であり、現実世界のヒットからリードへの最適化を反映します。
• 実用的評価指標：リソース制約のある発見におけるモデルの有用性を評価するための Top-N ヒット率分析の導入。従来の相関指標を超え、上位ランク化合物中の真のヒットの割合を測定します。

結果と分析
著者らは、物理化学的ベースラインから高度な深層学習アーキテクチャに至るまでの一連のモデルを、スピアマンの順位相関（$\rho$）と Top-N ヒット率を用いて評価しました。

• 性能階層：結果は明確な階層を示しており、3 次元認識深層学習モデル（特にDEL-DockとDEL-Ranking）は、2 次元ベースのモデルや古典的なドッキング法を大幅に上回ります。真の $K_i$ との相関である重要な SubSp 指標において、3 次元モデルは -0.323 までの強力な値を達成しましたが、2 次元ベースラインと古典的なドッキングはほぼゼロまたは正の相関を示しました。
• ノイズ除去能力：3 次元モデルの成功は、これらがライブラリ固有の統計的アーティファクトではなく、基本的な生物物理学的相互作用特徴を学習しており、DEL シグナルを効果的にノイズ除去していることを示唆しています。
• Top-N エンリッチメント：実用的な Top-N ヒット率分析において、3 次元モデルは一貫して上位ランクを支配し、リストの先頭に強力な化学物質を効果的に集中させました。一方、2 次元モデルは性能の急激な低下を示しました。
• 一般化の限界：ゼロショット実験は、重大な限界を明らかにしました。1 つの結晶構造またはターゲットアイソフォームでトレーニングされたモデルは、未見のコンフォメーションまたは相同なターゲット（例：CAIX から CAXII へ）への一般化に苦しみ、しばしばランク付けが逆転しました。これは、現在の 3 次元モデルがコンフォメーション変化に対して依然として敏感であり、特定の剛性状態またはライブラリ固有の特徴に過剰適合している可能性を示しています。

意義と主張
本論文は、CA-DEL が、3 次元認識かつ選択性焦点の機械学習モデルの開発と評価のための包括的なプラットフォームを提供すると主張しています。「シミュレーションから現実へ」の評価パラダイムを確立することにより、このベンチマークは、ノイズの多い DEL データから真の結合シグナルを抽出するために明示的な幾何学的モデリングが不可欠であるという仮説を検証します。著者らは、現在の最先端のアプローチは有望であるものの、ゼロショット一般化と微細な選択性における観察された限界は、合理的創薬の潜在能力を完全に実現するために、物理情報アーキテクチャ、不確実性定量化、説明可能な AI に関する将来の研究が必要であることを浮き彫りにしていると指摘しています。この研究は、標準化されたマルチモーダルリソースを提供することにより、構造ベース創薬のための幾何学的深層学習の進展を促進することを目指しています。