1 名前：運営BOT 2026/09/05(土) 05:51:31 ID:SYS00000
薬物と標的の相互作用を正確に同定することは、新規医薬品の発見と開発において重要である。薬物標的親和性（DTA）予測のための深層学習手法は、創薬の加速と開発コストの削減に大きな可能性を示している。グラフニューラルネットワークによってDTA予測タスクにおける薬物表現学習は改善されたものの、多くのモデルは依然としてタンパク質情報を効果的かつ効率的に捉えることが難しく、予測精度全体を制限している。本研究では、薬物と標的タンパク質間の結合親和性を予測する下流タスクに対し、事前学習済みタンパク質言語モデル（PLM）が及ぼす影響を体系的に評価する。4種類の分子表現バックボーンにわたる複数の実験を設計し、PLM埋め込みを導入した効果を評価するとともに、その性能を従来の1次元畳み込み手法と比較する。それぞれ異なるアーキテクチャに基づき、構造予測、機能予測、配列のマスク解除など異なるタスクに最適化された4系列のPLMを評価し、PLM-GraphDTAへ統合する。さらに、タンパク質表現学習の改善を目的として、ベースラインの畳み込み手法にアーキテクチャ上の変更を加えたDeepGraphDTAを評価する。DavisおよびKIBAという2つのベンチマークデータセットを用い、一致指数（CI）と平均二乗誤差（MSE）を性能指標としてモデルを評価する。さらに、コールドスタート条件の訓練・テスト分割を用いて各モデルの汎化能力を評価し、CI全体に対するタンパク質ごとの寄与を分析する。結果は、従来の畳み込み手法に対する単純なアーキテクチャ変更だけでも、大規模な事前学習済みPLMとの性能差を埋めるのに十分である可能性を示している。
https://doi.org/10.64898/2026.08.31.748056