Chemi-Proteome Language Attention Network Empowers Fragment-Based Ligand Interactome and Binding Sites Discovery with Evidence
本論文は、細胞化学プロテオミクスデータを用いて学習されたディープラーニングフレームワークであるC-PLANKを紹介しており、これは断片とタンパク質の相互作用を予測する既存のモデルを凌駕し、物理化学的エンベディングとシステムレベルの生物学的妥当性指標を統合することで、新規のSIRT3アゴニストを特定することに成功した。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
新しい薬を見つけることは、特定の鍵が合う特定の錠前を探すようなものですが、その探索は、何千もの他の鍵や錠前で溢れかえった混み合った部屋の中で行われます。科学者たちは、疾患の治療法発見を加速させることを願い、どの化学的な鍵がタンパク質の錠前に適合するかを予測するために、長らくコンピュータプログラムに頼ってきました。これらのプログラムは通常、試験管内の孤立したタンパク質と化学物質が相互作用する、単純な実験室テストのデータに基づいて学習されています。このデータは有用ではありますが、決定的な細部を見落としています。それは、人体においてタンパク質は孤立して存在しているのではないということです。タンパク質は複雑な生命ネットワークの一部であり、多くの他の分子と相互作用し、細胞環境に応じてその挙動が変化します。現在のコンピュータモデルは、この生きた文脈から切り離されているため、細胞内で薬が実際にどのように振る舞うかを予測することに苦戦することが多く、それが開発の後半段階での失敗につながっています。
この溝を埋めるために、研究チームは「C-PLANK」と呼ばれる新しい人工知能フレームワークを開発しました。静的で孤立した実験から学習する従来のモデルとは異かり、このシステムは、生きた細胞から生成されたデータを用いて直接学習を行います。研究者たちは、化学的な断片（フラグメント）を細胞内に導入し、それらがどのタンパク質に付着するかを観察する「ケモプロテオミクス」と呼ばれる手法を用いました。これらの断片は、タンパク質に結合することができる小さく単純な分子の破片ですが、その結合はしばしば弱く一過性であるため、これらの相互作用を捉えるには特別なアプローチが必要です。チームは、触れたタンパク質を永久にタグ付けできるプローブを使用し、これにより、科学者が細胞内の広大なタンパク質ネットワークの中で、これらの小さな分子が正確にどこで、どのように相互作用したかをマッピングすることを可能にしました。この豊かな細胞レベルのデータをAIに投入することで、研究者たちは、ある化学物質とタンパク質が相互作用するかどうかだけでなく、その相互作用が細胞のより広い景観の中にどのように適合するかを理解するモデルを作り上げました。
この新しいシステムの核心は、全体像と細部の両方を同時に見ることができる能力にあります。それは細胞の全体的な環境を分析すると同時に、ズームインして、タンパク質のどの部分と化学物質のどの原子が接触しているのかを正確に特定します。この二重の視点により、モデルは各相互作用に対して一種の「指紋」を生成することができ、単に接続の可能性を示すだけでなく、システムがその予測に対してどの程度の確信を持っているかも示します。研究者たちは、8つの異なる研究から得られた大規模なデータセットを用いて、このフレームワークをテストしました。これには数百種類の化学物質と数千種類のタンパク質が含まれています。その結果、C-PLANKは、特に未見のタンパク質に対して相互作用を予測する場合において、既存の最先端モデルを一貫して上回る性能を示しました。この未知のターゲットに対する汎用性は、まだ十分に理解されていないタンパク質に対する治療法を見つけることが目標となる創薬において極めて重要です。
単に相互作用を予測するだけでなく、このシステムは人工知能としては珍しいレベルの透明性を提供します。それは、化学構造のどの部分と、タンパク質のどの特定のアミノ酸が結合に責任を持っているのかを正確に指摘できます。研究者たちは、モデルの予測をタンパク質の物理的構造や既知の結合部位と比較することでこれを検証し、AIの「指紋」と実際の生物学的現実との間に強い一致があることを見出しました。これは、モデルが単にデータのパターンを記憶しているのではなく、真の生物学的ルールを学習していることを示唆しています。その実用的な価値を証明するために、チームはC-PLANKを使用して、代謝や老化に関与する特定のタンパク質であるSIRT3を活性化する新しい方法を見つけるべく、大規模な化学断片ライブラリーのスクリーニングを行いました。モデルは、他の手法では見落とされていた有望な候補を特定しました。
この予測を受けて、研究者たちはその化学物質を合成し、ラボでテストを行いました。その化合物は、生きた細胞内で標的タンパク質に正常に結合し、重要なことに、タンパク質の活性を高めるアゴニスト（作動薬）として機能しました。この初期のヒット化合物は、化学的最適化のプロセスを通じて洗練され、より強力なバージョンの薬候補へと導かれました。最終的な分子は低濃度で強い活性を示し、生物物理学的な手法を用いて、標的タンパク質に直接結合することが確認されました。この成功例は、人工知能を、真の複雑性を備えた生きた細胞を反映するデータで訓練することで、科学者が単なる予測を超えて、生物学的システムの動的な状態をモデル化し始めることができるということを証明しています。この成果は、研究者が化学的なアイデアから機能する薬への複雑な道のりを、より高い確信と精度を持って進むための「デジタルツイン」としての役割を果たす、将来のツールの基礎を築くものです。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。