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

要約

薬剤分子の溶解度を正確に予測することは、薬剤のADMEプロセスに影響を与え、治療効果と安全性を決定するために不可欠である。従来の溶解度予測技術では、分子構造の複雑な性質を把握できないことが多く、予測と実際の結果に著しい乖離が生じる。例えば、「先進的な医薬品類似化合物構造に関するディスカッション」。Lusciは、環状構造を持つ分子において、重要な環状構造情報を捉える上での問題を強調した。この問題を克服するために、我々の研究では、溶解度予測の精度を向上させ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、グラフ畳み込みネットワーク（GCN）を組み合わせた新しいディープラーニングフレームワークを導入している。9,943化合物からなる学習セットを使用し、抗がん化合物データセットでテストした結果、本手法は相関係数（$R^2$）0.55、二乗平均平方根誤差（RMSE）0.59を達成し、ベンチマークモデルのスコア0.52（$R^2$）、0.61（RMSE）を上回った。重要なことに、独立した追加テストでは、我々のモデルはベースラインを大幅に上回り、RMSEは1.28に対して1.05、相対精度は45.9%向上した。この研究は、溶解度予測精度を向上させるためのディープラーニングの大きな可能性を示すだけでなく、将来的な薬剤設計と選択に向けた新たな知見も提供します。今後も、創薬におけるディープラーニングの極めて重要な役割を明確にするため、モデルアーキテクチャの最適化と、創薬プロセスをより良くサポートするための適用拡大に向けた継続的な取り組みが行われる予定である。

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 0.55 and a Root Mean Square Error (RMSE) of 0.59, 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, DeepL