YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention

要約

薬物分子の溶解度を正確に予測することは、薬物の治療効果と安全性を判断するために不可欠であり、薬物の ADME プロセスに影響を与えます。
従来の溶解度予測技術では、分子構造の複雑な性質を捉えることができないことが多く、予測と実際の結果との間に顕著な乖離が生じます。
たとえば、先進的なドラッグ様化合物の構造に関するディスカッション。
ルッシ氏は、環構造を持つ分子の重要な環状構造情報を捕捉する際の問題点を強調した。
この問題を克服するために、私たちの研究では、溶解度予測の精度を高めることを目的として、注意ベースの変換器、長期短期記憶 (LSTM) ネットワーク、およびグラフ畳み込みネットワーク (GCN) を組み合わせた新しい深層学習フレームワークを導入しています。
9,943 個の化合物のトレーニング セットと抗がん化合物のデータセットでのテストを利用したこの方法では、相関係数 ($R^2$) 0.59 および二乗平均平方根誤差 (RMSE) 0.57 を達成しました。これは、ベンチマーク モデルのスコアを上回るパフォーマンスを示します。
0.52 ($R^2$) および 0.61 (RMSE)。
重要なのは、追加の独立したテストで、私たちのモデルは RMSE が 1.28 と比較して 1.05 でベースラインを大幅に上回り、相対精度が 45.9% 向上したことです。
この研究は、溶解度の予測精度を向上させるための深層学習の膨大な可能性を実証するだけでなく、将来の医薬品の設計と選択に新しい洞察を提供します。
創薬における深層学習の極めて重要な役割を強調しながら、モデル アーキテクチャの最適化とそのアプリケーションの拡張により創薬プロセスをより適切にサポートすることに継続的な努力が向けられます。

要約(オリジナル)

The accurate prediction of drug molecule solubility is essential for determining their therapeutic effectiveness and safety, influencing the drug’s ADME processes. Traditional solubility prediction techniques often fail to capture the complex nature of molecular tructures, leading to notable deviations between predictions and actual results. For example, the Discussion on Advanced Drug-Like Compound Structures. Lusci highlighted issues in capturing crucial cyclic structural information in molecules with ring structures. To overcome this issue, our research introduces a novel deep learning framework combining attention-based transformers, Long Short-Term Memory (LSTM) networks, and Graph Convolutional Networks (GCN), aimed at enhancing the precision of solubility predictions. Utilizing a training set of 9,943 compounds and testing on an anticancer compound dataset, our method achieved a correlation coefficient ($R^2$) of 0.59 and a Root Mean Square Error (RMSE) of 0.57, which outperforms the benchmark models’ scores of 0.52 ($R^2$) and 0.61 (RMSE). Importantly, in an additional independent test, our model significantly outperformed the baseline with an RMSE of 1.05 compared to 1.28, a relative accuracy improvement of 45.9%. This research not only demonstrates the vast potential of deep learning for improving solubility prediction accuracy but also offers novel insights for drug design and selection in the future. Continued efforts will be directed towards optimizing the model architecture and extending its application to better support the drug development process, underscoring the pivotal role of deep learning in drug discovery.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google