Supervised Learning-Driven Prediction of Small-Molecule Modulator Bioactivity Against Protein-Protein Interactions

人間の体を、活気にあふれたハイテク都市として想像してみてください。そこではタンパク質が、労働者であり、信号機であり、建設作業員です。時には、仕事を進めるために2つのタンパク質が握手をしなければならないことがあります。それはまるで、警備員と門番が一緒にドアを開けるようなものです。この握手は「タンパク質－タンパク質相互作用（PPI）」と呼ばれます。この握手がうまくいかず、手がかりが固まってしまったり、離れられなくなったりすると、癌のような病気を引き起こすことがあります。これを解決するために、科学者たちは、その握手をジャムらせたり、あるいは無理やりこじ開けたりできる、小さな「分子の鍵」として知られる低分子を探そうとしています。

問題は、この都市があまりにも巨大であり、考えられる鍵の数が天文学的な数字であることです。伝統的に、科学者は実験室で何百万もの鍵を実際にテストしなければなりませんが、そのプロセスは遅く、コストがかかり、しばしば行き詰まってしまいます。ここで、新しい種類の探偵作業が登場します。それが機械学習です。コンピュータサイエンティストは、すべての鍵をビーカーの中で試す代わりに、プログラムに分子の形状や化学的な「指紋」を観察させ、それがどれくらいうまく機能するかを推測するように教え込みます。これは、鍵をドアに実際に試してみることなく、写真を見るだけでその鍵が鍵穴に合うかどうかを予測する方法をコンピュータに教えるようなものです。

「Supervised Learning-Driven Prediction of Small-Molecule Modulator Bioactivity Against Protein-Protein Interactions（タンパク質－タンパク質相互作用に対する低分子モジュレーターの生物活性の教師あり学習駆動型予測）」と題されたこの論文は、まさにそれを行うための非常に賢いコンピュータプログラムを構築した研究チームによる報告です。彼らは、特定のタンパク質の握手を止めるために、低分子がどれほど強力であるかを、IC50と呼ばれる指標（これは、活動の半分を止めるためにどれくらいの量の薬が必要かを測定するもので、数値が低いほど強力な薬であることを意味します）を用いて予測できるかどうかを確認したいと考えました。

研究者たちは、176種類の異なる生物学的ターゲット（これには47種類のトリッキーなタンパク質握手（PPI）、91種類の単一タンパク質、および38種類の細胞株が含まれます）に対して、すでにテスト済みの3,451種類の異なる低分子からなる膨大なライブラリを集めました。彼らは、このデータを4種類の異なるタイプの機械学習の「脳」、すなわちRandom Forest、Gradient Boosting、Support Vector Regression、そしてLSTMと呼ばれるディープラーニングネットワークに投入しました。分子をコンピュータに記述するために、彼らはRDKit、PubChem、PaDELという3種類の異なる「言語」または化学的記述子のセットを使用しました。これは、車を説明する異なる方法のようなものです。あるものはエンジンのサイズや色をリストアップし（PubChem）、別のものは空気力学、タイヤの空気圧、材料組成をリストアップします（RDKitおよびPaDEL）。

結果は、刺激的な成功と現実的な再確認が入り混じったものでした。チームは、「RDKitという言語」を与えられたとき、「Random Forest」の脳がスタープレーヤーになることを見出しました。コンピュータがデータの大部分を学習し、隠された一部のデータでテストされるという練習テストにおいて、その精度スコア（R²）は0.75でした。これは、コンピュータが驚くべき精度で薬の強さを予測できることを意味します。PaDELという言語もほぼ同等の性能を示しましたが、PubChemという言語は苦戦し、はるかに低いスコアとなりました。研究者たちはまた、コンピュータがなぜ優れた推測を行えるのかを解明するために、SHAPと呼ばれる特別なツールを使用しました。彼らは、コンピュータが分子の形状、電荷の共有の仕方、そして「脂っぽさ」や水への反発性といった特定の特性に細心の注意を払っていることを発見しました。

しかし、研究者が全く新しい1,528種類の分子（これまで見たことのない、異なる生物学的ロックを標的とするもの）に対してモデルをテストしたとき、物語は転換します。ここで、モデルの信頼性は著しく低下しました。精度スコアは0.10まで落ち込みました。これは、コンピュータがすでに認識している分子の挙動を推測することには長けているものの、まったく新しい化学構造や生物学的ターゲットに直面すると混乱してしまうことを示唆しています。それは、特定の練習問題の答えを完璧に暗記した学生が、先生が問題を完全に変えたときに苦労するようなものです。

それにもかかわらず、このモデルは役に立たないわけではありません。研究者たちは、嚢胞性線維症における腸の問題の治療に使用されるPAT1inh-A0030という特定の新しいドラッグ候補に対してモデルをテストしました。モデルは、実際のラボの結果からわずか0.43 logユニットの差で、薬の強さを予測しました。この誤差の範囲は、実際の実験において非常によく見られるものです。これは、モデルに限界があるとしても、そのフレームワークが科学者に貴重なヒントを提供できることを示しています。

要約すると、この論文は、適切な化学的「言語」（RDKitのような）と適切な「脳」（Random Forestのような）を使用すれば、タンパク質の握手を止める低分子の性能を予測する強力なコンピュータモデルを構築できることを示唆しています。しかし同時に、これらのモデルは魔法の水晶玉ではないことも警告しています。それらは、すでに探索したことのある化学的な近隣地域内では最もよく機能しますが、まったく新しい、奇妙な分子の挙動を予測させられると躓いてしまうのです。著者たちは、このツールが創薬を加速させるための素晴らしい一歩ではあるものの、新しい薬の作成を導くために完全に信頼できるものとなる前には、その予測を確認するための現実世界のラボ実験が依然として必要であると結論付けています。