技術情報-新規化合物スクリーニング手法：相互作用マシンラーニング法[CGBDD]

TOP ＞ 技術情報

独自手法：相互作用マシンラーニング法（CGBDD： Chemical-Genomics-based Drug Design）

京都コンステラ・テクノロジーズが提供する独自手法は、最先端のパターン認識技術を用い、 タンパク質と化合物との結合情報（ケミカルゲノミクス情報）から抽出された結合パターンから 活性化合物を予測します。
このアプローチは、従来法であるSBDD（ドッキングシミュレーション法）、 LBDD（QSAR-Similarity Search）と異なり、標的タンパク質の立体構造なしで予測が可能であり、 さらに計算コストが非常に低く、数週間という短期間で結果を出すことができます。 また新規骨格の化合物を発見することができるという優位点があり、初期の段階でヒット化合物のバリエーションを 増やすなどの研究展開に使用することができます。

独自手法（CGBDD）の特徴と技術革新のベネフィット

特徴 技術革新のベネフィット
1. タンパク質の立体構造が不要 計算技術の適用範囲の拡大が可能となる。 特に初期段階での研究開発推進に有効。
2. 高い予測率
（従来法1％⇒新手法10％以上）		 予測結果に対する信頼性高く、μM～nMｵｰﾀﾞｰの高活性化合物を探索できる。
3. 新規骨格の発見能力 候補化合物のバリエーション、新用途の発見など開発プロセスに新しい展開を創りだせる。
4. 計算コストが低い 中小・ベンチャー・研究者など時間と資金が限定された フェーズでも現実的に発注が可能となり、
研究開発を推進できるなど、サービス範囲が拡大される。

サポートベクターマシン（SVM）を用いた相互作用学習モデル

STEP1: 相互作用をベクトルに表現し、各化合物の化学構造、各タンパク質のアミノ酸配列について、さまざまな属性（記述子）を計算する。

STEP2: 正例（相互作用する化合物―タンパク質ペア）および負例 （相互作用しない化合物―タンパク質ペア）に対応する記述子を、それぞれ組み合わせて特徴ベクトルを構成し、サポートベクターマシン（SVM）を 用いて学習モデルを構築する。

STEP3: 未知の化合物―タンパク質ペアに相当する新しいベクトルが、 相互作用［有／無］のどちらのクラスに属するかを予測する。

新規骨格の探索能力　（新規法と従来法によるβ2ARリガンド予測結果の比較）

各点が化合物であり、縦軸が新規法、横軸は従来法（主成分空間における最近傍法） による相互作用予測スコアを示しています。 点線は、各手法における上位50位のスコアを示しており、上部の化合物群のうち、●が結合実験により、結合が確認されたもので、 新規法により発見された新規骨格化合物群を示しています。