シミュレーテッド・ケミストリー:新しいAIプラットフォームが明日のがん治療薬をデザインする(Simulated Chemistry: New AI Platform Designs Tomorrow’s Cancer Drugs)

ad

2024-05-06 カリフォルニア大学サンディエゴ校(UCSD)

カリフォルニア大学サンディエゴ校の研究チームが、薬の初期発見段階における化学プロセスをシミュレートする機械学習アルゴリズムを開発しました。この新しいAIプラットフォーム「POLYGON」は、従来数千の実験が必要だった候補薬の同定を時間を大幅に短縮して行うことができます。研究者たちはこのツールを使用して、がん治療のための32の新しい薬候補を合成しました。この技術はオープンソースで提供され、多標的薬の発見にも対応しており、従来の単一標的薬と比べて副作用が少ない可能性があります。この革新的な取り組みは、精密医療の新時代を切り開くことに貢献すると期待されています。

<関連情報>

深層生成化学を用いたマルチターゲット化合物のデノボ生成 De novo generation of multi-target compounds using deep generative chemistry

Brenton P. Munson,Michael Chen,Audrey Bogosian,Jason F. Kreisberg,Katherine Licon,Ruben Abagyan,Brent M. Kuenzi & Trey Ideker
Nature Communications  Published06 May 2024
DOIhttps://doi.org/10.1038/s41467-024-47120-y

シミュレーテッド・ケミストリー:新しいAIプラットフォームが明日のがん治療薬をデザインする(Simulated Chemistry: New AI Platform Designs Tomorrow’s Cancer Drugs)

Abstract

Polypharmacology drugs—compounds that inhibit multiple proteins—have many applications but are difficult to design. To address this challenge we have developed POLYGON, an approach to polypharmacology based on generative reinforcement learning. POLYGON embeds chemical space and iteratively samples it to generate new molecular structures; these are rewarded by the predicted ability to inhibit each of two protein targets and by drug-likeness and ease-of-synthesis. In binding data for >100,000 compounds, POLYGON correctly recognizes polypharmacology interactions with 82.5% accuracy. We subsequently generate de-novo compounds targeting ten pairs of proteins with documented co-dependency. Docking analysis indicates that top structures bind their two targets with low free energies and similar 3D orientations to canonical single-protein inhibitors. We synthesize 32 compounds targeting MEK1 and mTOR, with most yielding >50% reduction in each protein activity and in cell viability when dosed at 1–10 μM. These results support the potential of generative modeling for polypharmacology.

有機化学・薬学
ad
ad
Follow
ad
タイトルとURLをコピーしました