Two Comparators May Be All We Need

技術要約：2つのコンパレーターがあれば十分かもしれない

問題提起
創薬において、細胞内の化合物は複数のファミリーにわたる幅広いタンパク質と同時に相互作用するが、標準的なスクリーニングやモデリングでは通常、一度に一つの標的のみを検証する。低分子化合物は本質的に多標的性（プロミスキャス）を持ち、オフターゲット活性が安全性における脱落の要因となることが多いが、ほとんどの予測モデルは、一つのタンパク質と一つの化合物を個別にスコア化する。その結果、選択性や好みの度合いを導き出すには、2つの別々の親和性予測値を差し引く必要があり、このプロセスは、公開されている活性データ（実験室やアッセイによってほぼ1ログ単位で変動し得る）の不均一性に苦慮する。また、「この2つの標的のうち、化合物はどちらを好むのか？」や「この2つの化合物のうち、標的はどちらを好むのか？」といった、意思決定を左右する比較的な問いに直接答えることもできない。

手法
著者らは、ChEMBL 37から得られた2,279個のヒトタンパク質（34のタンパク質ファミリーに該当）を対象とした、公開データのみに基づく2つの相互的な構造フリー（structure-free）モデルを構築した。どちらのモデルも、タンパク質構造、結合部位、ドッキングポーズ、またはコンフォメーション解析を利用しない。

• データキュレーション: データセットは、794,638個の化合物による1,263,626個の測定値（Ki, IC50, Kd, EC50, Kb）で構成される。データは、ヒトの単一タンパク質標的かつChEMBLレベル2のクラスラベルを持つものに限定された。数値はpActivity（濃度の負の常用対数）に変換され、タイ（同値）は除外された。
• 特徴量表現:
  • タンパク質: ESM2-t12-35Mタンパク質言語モデルから派生した、480次元の残基ごとの平均ベクトルとして表現される。
  • 化合物: 1,024個の値を持つ半径2のMorganカウントフィンガープリントと、14個の全分子記述子（分子量、原子数など）で表現される。
• モデルアーキテクチャ: 両方のコンパレーターは、ペアワイズ（対比較）入力形式をとるランダムフォレスト（それぞれ300本の決定木）である。
  • 標的コンパレーター (Target Comparator): 入力は (配列A, 化合物, 配列B) である。これは、化合物がどちらの標的を好むかを予測する。このモデルは、異なるファミリー間での比較と、単一ファミリー内での比較の両方のシナリオを扱う。
  • 化合物コンパレーター (Compound Comparator): 入力は (化合物A, 配列, 化合物B) である。これは、単一の標的がどちらの化合物を好むかを予測する。
• 学習戦略: 厳格な汎化性能を確保するため、モデルは化合物が重複しないホールドアウト法を用いて評価された。化合物コンパレーターの場合、両方の化合物が学習中に未知であった場合にのみ、その比較をテストセットに含め、学習とテストの境界を跨ぐ比較は破棄した。すべての比較は、対称性を強制するために、位置を入れ替え、ラベルを反転させた状態で2回ずつ入力された。
• 出力: モデルは絶対的な親和性値ではなく、0.50（判定不能）から1.00（確信）の範囲の範囲の「好みの強さ（preference strength）」としての確率を返す。

主な結果
モデルは、標的または化合物（コンパレーターに応じて）のいずれも学習時に現れなかった保持された比較に対して評価された。

• 標的の好み（ファミリー間）: 異なるファミリー間の8,689件の保持された比較において、モデルは75%の割合で好ましい標的を正しく特定した。最も確信度の高い予測（強さ ≥ 0.80）では、精度は94%に上昇した。
• 標的の好み（ファミリー内）: 同一ファミリー内の32,738件の比較において、精度は78%であり、高確信度の呼び出しでは95%に達した。キナーゼファミリーは、構造的な類似性が高いためか、最も困難なケースとなった（精度73%）。
• 化合物の好み: 学習中にどちらの化合物も見られなかった65,725件の保持された比較において、モデルは71%の割合で好ましい化合物を正しく特定した。この精度は、最も確信度の高い予測において96%に達した。
• 差の大きさと影響: 精度は、真の活性差の大きさと強く相関している。2つの測定値の差が2ログ単位を超えている場合、精度は90%から92%の範囲であった。これらが0.5ログ単位以内である場合、精度は偶然レベル（0.57–0.64）まで低下した。
• カバレッジの制限: ファミリーを跨ぐ標的比較の性能の天井は、モデルのアーキテクチャではなく、利用可能なデータの記録によって制限されている。データベース内の分類された化合物のうち、2つ以上のタンパク質ファミリーにわたる測定値を持つものは、わずか4.6%である。

意義および主張
本論文は、直接的なペアワイズ比較が、優先順位付けのワークフローにおいて、絶対的な親和性を予測することよりも実用的かつ堅牢なアプローチであることを提唱している。著者らは、これら2つのコンパレーターが、典型的な創薬カスケードにおける完全なランキングツールを提供すると主張している。すなわち、化合物コンパレーターは次に何を合成または購入すべきかを決定するのに役立ち、標的コンパレーターは、何に対してカウンタースクリーニングを行うべきかを決定するのに役立つ。

主な貢献は以下の通りである：

1. 広範性: ペアワイズ比較を（キナーゼやGPCRのような）単一のファミリーを超えて、34の多様なタンパク質ファミリーへと拡張したこと。
2. 構造フリーの予測: 配列と2D化学記述子のみで、構造データなしに標的や化合物を効果的にランク付けできることを示したこと。
3. 厳格な評価: 化合物が重複しない分割（compound-disjoint splits）を用いた厳格なベンチマークを確立し、モデルが未知の化学構造に対して汎化することを保証したこと。
4. 運用の有用性: モデルは精度と相関する「好みの確率」を出力するため、ユーザーは高確信度の決定のためにフィルタリングを行うことができる。著者らは、モデルは表現されている化学空間および標的空間内において化合物や標的を適切にランク付けするが、効力を推定するものではなく、毒性や安全性の結果を直接予測するものではないとも述べている。

この研究は、ユーザーが独自のデータを用いて拡張できる「ファミリー・ファウンデーション・モデル」としての基礎的なステップとして提示されている。これは、Random Forestのアーキテクチャにより、モデル全体を再学習することなく新しい決定木を結合できるためである。モデルとコードは、コミュニティによる採用と拡張を促進するために、オープンライセンスの下で公開されている。