文献

J-GLOBAL ID：201902236455962630   整理番号：19A1561447

スパースモデリング技術を用いた小分子実験データからの環状ペプチドの血漿蛋白質結合の計算予測【JST・京大機械翻訳】

Computational prediction of plasma protein binding of cyclic peptides from small molecule experimental data using sparse modeling techniques

著者 (11件)： Tajimi Takashi (Department of Computer Science, School of Computing, Tokyo Institute of Technology, Tokyo, Japan) ,  Wakui Naoki (Department of Computer Science, School of Computing, Tokyo Institute of Technology, Tokyo, Japan) ,  Wakui Naoki (Middle Molecule IT-based Drug Discovery Laboratory (MIDL), Tokyo Institute of Technology, Kawasaki city, Japan) ,  Yanagisawa Keisuke (Department of Computer Science, School of Computing, Tokyo Institute of Technology, Tokyo, Japan) ,  Yoshikawa Yasushi (Department of Computer Science, School of Computing, Tokyo Institute of Technology, Tokyo, Japan) ,  Yoshikawa Yasushi (Middle Molecule IT-based Drug Discovery Laboratory (MIDL), Tokyo Institute of Technology, Kawasaki city, Japan) ,  Ohue Masahito (Department of Computer Science, School of Computing, Tokyo Institute of Technology, Tokyo, Japan) ,  Ohue Masahito (Middle Molecule IT-based Drug Discovery Laboratory (MIDL), Tokyo Institute of Technology, Kawasaki city, Japan) ,  Akiyama Yutaka (Department of Computer Science, School of Computing, Tokyo Institute of Technology, Tokyo, Japan) ,  Akiyama Yutaka (Middle Molecule IT-based Drug Discovery Laboratory (MIDL), Tokyo Institute of Technology, Kawasaki city, Japan) ,  Akiyama Yutaka (Molecular Profiling Research Center for Drug Discovery (molprof), National Institute of Advanced Industrial Science and Technology (AIST), Tokyo, Japan)
資料名： BMC Bioinformatics (Web)  (BMC Bioinformatics (Web))
巻： 19  号： 19  ページ： 527  発行年： 2018年 
JST資料番号： U7025A  ISSN： 1471-2105  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 環状ペプチドに基づく薬物発見は,標的蛋白質枯渇を避ける可能性により,興味が増加している。薬物発見において,適切な範囲内で薬物の生体安定性を維持することは重要である。血漿蛋白質結合(PPB)は生体安定性の最も重要な指標であり,薬物候補化合物のPPBを予測するための計算法の開発は薬物発見研究の加速に寄与する。これまで,機械学習を用いた小分子薬物化合物のppb予測が行われてきた。しかし,環状ペプチドの実験情報が少ないので,環状ペプチドを調べた研究はない。最初に,環状ペプチドに対するPPB予測モデルを構築するために,スパースモデリングと小分子情報を採用した。サイクリックペプチドデータは限られているので,多次元非線形モデルを適用することは過剰適合に関する懸念を含む。しかしながら,スパースモデリングによって構築されたモデルは,オーバーフィッティングを避けることができ,高い一般化性能と解釈可能性を提供する。小分子の1000以上のPPBデータが利用可能であり,それらを用いて,2つの計数法による予測モデルを構築した。すなわち,計数法(ELS)と順方向ビーム探索(FBS)である。ELSとFBSによって構築された予測モデルの精度は,小分子化合物データセットの交差検証に関して,従来の非線形モデル(MAE=0.167-0.174)のそれらと同等またはそれ以上であった。さらに,環状ペプチドの予測精度は小分子化合物(MAE=0.194~0.288)に近いことを示した。このような高い精度は,ラッソ回帰(MAE=0.286-0.671)またはリッジ回帰(MAE=0.244-0.354)による直接的なペプチドデータからの学習の簡単な方法では得られなかった。本研究において,著者らは,計算的に環状ペプチドのPPB値を予測するために低次元スパースモデリングを用いる機械学習技術を提案した。低次元スパースモデルは優れた一般化性能を示すだけでなく,予測モデルの解釈も改善する。これは,将来の環状ペプチド薬物発見研究に対する共通の知識を提供することができる。Copyright 2019 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ペプチド ,  機械学習 ,  分子化合物 ,  *小分子 ,  予測モデル ,  *シクロペプチド ,  *予測 ,  モデル ,  高次元 ,  予測精度 ,  非線形モデル ,  標的蛋白質 ,  *スパースモデリング
準シソーラス用語： リッジ回帰 , 【Automatic Indexing@JST】

著者キーワード (5件)： スパースモデリング ,  特徴選択 ,  環状ペプチド ,  生物安定性 ,  血漿蛋白質結合(PPB)

分類 (1件)： 分子・遺伝情報処理  (JE15040B)

引用文献 (46件)：

• Biopolymers; A current perspective on applications of macrocyclic-peptide-based high-affinity ligands; D Leenheer, P Dijke, CJ Hipolito; 106; 6; 2016; 889-900; 10.1002/bip.22900; citation_id=CR1
• Expert Opin Drug Discov; Cyclotides as a basis for drug design; DJ Craik, JE Swedberg, JS Mylne, M Cemazar; 7; 3; 2012; 179-194; 10.1517/17460441.2012.661554; citation_id=CR2
• Acc Chem Res; Cyclotides as tools in chemical biology; SJ Veer, J Weidmann, DJ Craik; 50; 7; 2017; 1557-1565; 10.1021/acs.accounts.7b00157; citation_id=CR3
• Eur J Med Chem; Lead discovery and optimization strategies for peptide macrocycles; A Bhat, LR Roberts, JJ Dwyer; 94; 2015; 471-479; 10.1016/j.ejmech.2014.07.083; citation_id=CR4
• Angew Chem Int Ed Engl.; New modalities for challenging targets in drug discovery; E Valeur, SM Guéret, H Adihou, R Gopalakrishnan, M Lemurell, H Waldmann, TN Grossmann, AT Plowright; 56; 35; 2017; 10294-10323; 10.1002/anie.201611914; citation_id=CR5

タイトルに関連する用語 (7件)： スパースモデリング ,  小分子 ,  実験データ ,  環状ペプチド ,  血漿蛋白質結合 ,  計算 ,  予測