Generative Molecular Design for Senescence-Associated Secretory Phenotype (SASP) Reversal: A REINVENT4 Pipeline Trained on Real LINCS L1000 Transcriptomic Data
本研究は、実際のLINCS L1000トランスクリプトームデータを用いて学習されたREINVENT4パイプラインを提示するものであり、当該パイプラインは、老化関連分泌表現型（SASP）を逆転させると予測される新規な薬物様分子の生成に成功すると同時に、多様性フィルタリングと報酬チューニングを通じて、決定的なスキャフォールド崩壊の失敗モードを特定し解決した。
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
私たちは年を重ねるにつれ、細胞は単に消え去っていくのではなく、その多くが永久的な休止状態に入ります。それらは分裂を停止しますが、死ぬことも拒み、静かで強情な店借人のように体に留まり続けます。これらの休止した細胞は、少量であれば無害ですが、時間の経過とともに蓄積し、炎症シグナルの毒性のカクテルを分泌し始めます。この分泌は「老化関連分泌表現型（SASP）」として知られ、周囲の健康な組織を損傷させ、加齢プロセスや加齢に伴う疾患を進行させる、緩やかな燃焼火災のような役割を果たします。科学者たちは、これらの炎症シグナルを沈黙させ、体のバランスを回復させることができる分子を見つけ出し、この損傷を逆転させる方法を長年模索してきました。課題は、他の場所に害を与えることなく、この特定の問題の鍵を開けることができる適切な化学的鍵を見つけることでした。
エゲ大学の研究者は、コンピュータにゼロから新しい分子を設計することを教えることで、このパズルを解くための大胆な一歩を踏み出しました。ラボで数千の既存の化学物質をテストする代わりに、強力な人工知能システムを使用して、全く新しい構造を想像し、構築したのです。目的は、これらの老化細胞の毒性のある特徴を特異的に逆転させることができる化合物を作り出すことでした。このデジタル建築家を訓練するために、研究者は、LINCSとして知られる公開データベースに記録された、21,000種類以上の異なる化合物がヒト細胞に及ぼす影響という、現実世界の膨大なライブラリをコンピュータに読み込ませました。彼らは、細胞の老化の指紋として機能する106個の特定の遺伝子リストにコンピュータの注意を向けました。コンピュータの仕事は、分子の形状と、老化遺伝子のボリュームを下げる能力との間の関係を学習することでした。
プロセスは重大な障害から始まりました。研究者は最初、化学物質が遺伝子にどのように影響するかを予測するとされている、既存の学習済みコンピュータモデルを使用しようとしました。しかし、老化と戦うことで有名な既存の薬に対してこのモデルをテストしたところ、完全に失敗しました。モデルは、これらの有益な薬が老化を悪化させると誤って予測したのです。この失敗自体が重要な発見でした。汎用的な既製品のツールに頼ることは、科学者を誤った道へと導く可能性があることを示したからです。代わりに、研究者は、実際の実験データに基づいて直接訓練された、独自のカスタム予測ツール、すなわち「オラクル（神託）」を構築しました。この新しいツールは、どの化学的特徴が老化のシグネチャを逆転させることに関連しているかを認識することを学習し、設計プロセスにおける信頼できるガイドとなりました。
このカスタムガイドが整ったところで、研究者は、コンピュータが何百万もの候補分子を生成し、自身の成功と失敗から学ぶ手法である、強化学習パイプラインを開始しました。システムは、実在する薬に似ており、化学的に斬新であり、かつラボで合成可能であることに加え、老化のシグネチャを逆転させる能力において高いスコアを獲得したときに報酬を与えられる仕組みになっています。最初の試みにおいて、コンピュータは罠にはまりました。非常に単純で一般的な化学構造を発見し、それが生成しやすく、そこそこのスコアを得られたため、コンピュータは一つの単一の構造のほぼ同一のコピーを数千個も作り始めました。これは「モード崩壊」として知られる現象で、システムが探索を停止し、一つの簡単な答えに固執してしまう状態です。研究者はこのエラーを認識し、多様性に対する要件を厳格にし、即座に完璧なスコアを見つけるための圧力を下げることで、システムのルールを調整しました。
修正された二度目の実行では、コンピュータははるかに広い化学的可能性の風景を探索しました。コンピュータは92,000個以上のユニークで有効な分子を生成し、その大部分は同じパターンを繰り返すのではなく、明確に異なる化学的骨格を持っていました。結果は有望でした。これらの新しくコンピュータが設計した分子の平均スコアは、訓練に使用された21,000個の実際の化合物ライブラリ全体の平均よりも大幅に高かったのです。これは、システムが既存の薬を単に暗記したのではなく、データが示唆する効果的な新しい化学的パターンを実際に発見したことを示唆しています。トップ候補の中では、特定の構造モチーフ、つまり化学基が付着した環状の形状が頻繁に現れましたが、この特定の形状は元のトレーニングライブラリにはほとんど存在していませんでした。これは、システムが単に見たものをコピーしたのではなく、創薬における真に新しい方向性を見出したことを示しています。
本研究は、公開データとオープンソースソフトウェアを使用して、老化の特定の生物学を標的とする新しい分子を設計することが可能であると結論付けています。研究者は、他の人々が同様の問題に取り組むために使用できる、完全で再現可能なパイプラインを提供しました。しかし、これらは仮想的な候補であり、物理的な合成やラボでのテストはまだ行われていないことに注意を促しています。分子はコンピュータモデルとしてのみ存在しており、それらが実際の生物内で老化を逆転させる能力があるかどうかは、まだ証明される必要があります。この研究は、生物学的なデータと生成的な設計を組み合わせることで、自動設計の落とし穴に対して警戒を怠らない限り、科学者が複雑な疾患に対する斬新な解決策を見つけるために広大な化学空間をナビゲートできることを示す、概念実証としての役割を果たしています。
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。