APR 27, 2023

物理ベースのシミュレーションと組み合わせた多様な機械学習戦略を用いた創薬プログラムのパイプラインの推進

登壇者

ジェニファー・ナイト、Schrödinger ディレクター
カール・レスウィング、機械学習担当エグゼクティブ・ディレクター、 Schrödinger

要旨

創薬分野における機械学習（ML）の応用は、ターゲット の探索から分子設計、患者層別化に至るまで、急速に拡大している。しかし、モデルを学習させるための大規模かつ高品質なデータセットが不足しているため、特に創薬の初期段階において、その有用性は現時点で制限されている。ML戦略を物理学に基づくアプローチで補完することで、こうした制限を克服し、MLモデルの適用範囲を拡大することが可能となる。

本プレゼンテーションでは、SchrödingerのTherapeutics部門グループ において、ヒット化合物の発見からリード化合物の最適化、製剤開発に至るまで、機械学習戦略を物理ベースのモデリング技術とどのように統合しているか、また、これらのアプローチが現在進行中の創薬プログラムにどのような影響を与えているかについて解説します。

主なポイント：

• アクティブ・ラーニングの手法を活用することで、ターゲット に特有の化合物空間 を日常的かつ効率的に探索できるほか、プロトコルの最適化を通じてプロジェクト作業や意思決定を効率化することができます。
• LiveDesign に搭載された自動機械学習エンジンにより、チーム全体がモデルの学習、検証、展開を繰り返し行い、創薬および最適化プロセスを推進することができます。
• QM・DFT 計算（QRNN）を用いて学習させた深層ニューラルネットワークは、医薬品の製剤開発におけるリスク低減に向けた、インシリコ結晶多形予測の指針となる。
• 生成型機械学習の手法を用いれば、ターゲットを極めて明確に絞った新しいものを設計することが可能になる化合物空間