| アイテムタイプ |
デフォルトアイテムタイプ（フル）(1) |
| 公開日 |
2026-10-07 |
| タイトル |
|
|
タイトル |
Improving ADME Prediction with Multitask Graph Neural Networks and Assessing Explainability in Lead Optimization |
|
言語 |
en |
| 作成者 |
Ito, Shoma
Koyama, Takuto
松本, 篤幸
小島, 諒介
岡本, 有司
Kuroda, Masataka
Kawashima, Hitoshi
渡邉, 怜子
Yonezawa, Tomoki
住吉, 孝明
池田, 和由
水口, 賢司
岩田, 浩明
奥野, 恭史
|
| 内容記述 |
|
|
内容記述タイプ |
Other |
|
内容記述 |
Early evaluation of absorption, distribution, metabolism, and excretion (ADME) properties is crucial for streamlining drug development. Traditional in vivo and in vitro approaches are often expensive. Moreover, during lead optimization, these methods rely heavily on the expertise of specialists, leading to efficiency challenges. Consequently, in silico methods for ADME prediction are attracting increasing attention. However, existing in silico methods face two major issues: a decline in predictive performance caused by limited ADME data and a lack of clarity regarding the rationale for lead optimization to improve ADME properties. In this study, we built an AI model capable of predicting ten different ADME parameters to overcome these challenges. Our training approach was based on a graph neural network combining multitask learning, which shares information across multiple tasks to increase the number of usable samples, with fine-tuning that adapts to each task. In addition, we applied the integrated gradients method to compound data collected before and after lead optimization to quantify and interpret each input feature’s contribution to the predicted ADME values. Our proposed model achieved the highest performance for seven of the ten ADME parameters compared with conventional methods. Furthermore, visualization of the changes in chemical structures before and after lead optimization revealed that the model’s explanations aligned well with established chemical insights. These results suggest that data-driven approaches may assist molecular design by providing complementary insights into empirical rules. |
|
言語 |
en |
| 出版者 |
|
|
出版者 |
American Chemical Society |
|
言語 |
en |
| 日付 |
|
|
日付 |
2025-11-10 |
|
日付タイプ |
Issued |
| 言語 |
|
|
言語 |
eng |
| 資源タイプ |
|
|
資源タイプ識別子 |
http://purl.org/coar/resource_type/c_6501 |
|
資源タイプ |
journal article |
| 出版タイプ |
|
|
出版タイプ |
VoR |
|
出版タイプResource |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| 関連情報 |
|
|
関連タイプ |
isIdenticalTo |
|
|
識別子タイプ |
DOI |
|
|
関連識別子 |
https://doi.org/10.1021/acs.jcim.5c00758 |
| 助成情報 |
|
|
|
識別子タイプ |
e-Rad_funder |
|
|
助成機関識別子 |
303 |
|
|
助成機関識別子タイプURI |
https://www.e-rad.go.jp/datasets/files/haibunkikan.csv |
|
|
助成機関名 |
国立研究開発法人日本医療研究開発機構 |
|
|
言語 |
ja |
|
|
助成機関名 |
Japan Agency for Medical Research and Development |
|
|
言語 |
en |
|
|
プログラム情報識別子タイプ |
JGN_fundingStream |
|
|
研究課題番号タイプ |
22nk0 |
|
|
言語 |
ja |
|
|
プログラム情報 |
創薬支援推進事業 |
|
|
研究課題番号タイプ |
JGN |
|
|
研究課題番号 |
JP22nk0101111 |
|
|
研究課題番号URI |
https://amedfind.amed.go.jp/amed/theme-detail/7790015324 |
|
|
研究課題名 |
最先端のAI技術を用いたマルチターゲット予測と構造発生を組み合わせた包括的な創薬AIプラットフォームの開発 |
|
|
言語 |
ja |
| 助成情報 |
|
|
|
識別子タイプ |
e-Rad_funder |
|
|
助成機関識別子 |
1025 |
|
|
助成機関識別子タイプURI |
https://www.e-rad.go.jp/datasets/files/haibunkikan.csv |
|
|
助成機関名 |
独立行政法人日本学術振興会 |
|
|
言語 |
ja |
|
|
助成機関名 |
Japan Society for the Promotion of Science |
|
|
言語 |
en |
|
|
言語 |
ja |
|
|
プログラム情報 |
科学研究費助成事業 |
|
|
言語 |
en |
|
|
プログラム情報 |
Grants-in-Aid for Scientific Research (KAKENHI) |
|
|
研究課題番号タイプ |
JGN |
|
|
研究課題番号 |
JP24H01771 |
|
|
研究課題番号URI |
https://kaken.nii.ac.jp/grant/KAKENHI-PUBLICLY-24H01771/ |
|
|
研究課題名 |
潜在空間から生成された化合物評価のためのAIモデル構築 |
|
|
言語 |
ja |
| 助成情報 |
|
|
|
識別子タイプ |
Crossref Funder |
|
|
助成機関識別子 |
https://doi.org/10.13039/100008728 |
|
|
助成機関識別子タイプURI |
https://www.crossref.org/services/funder-registry/ |
|
|
助成機関名 |
Japan Research Foundation for Clinical Pharmacology |
|
|
言語 |
en |
|
|
助成機関名 |
公益財団法人臨床薬理研究振興財団 |
|
|
言語 |
ja |
| 収録物識別子 |
|
|
収録物識別子タイプ |
PISSN |
|
収録物識別子 |
15499596 |
| 収録物識別子 |
|
|
収録物識別子タイプ |
EISSN |
|
収録物識別子 |
1549960X |
| 書誌情報 |
en : Journal of Chemical Information and Modeling
巻 65,
号 21,
p. 11796-11803,
ページ数 8,
発行日 2025-11-10
|
| 見出し |
|
|
大見出し |
Computational Chemistry |
|
言語 |
en |
| 出版者情報 |
|
|
|
出版者名 |
American Chemical Society |
|
|
言語 |
en |
| アクセス権 |
|
|
アクセス権 |
open access |
|
アクセス権URI |
http://purl.org/coar/access_right/c_abf2 |
| 権利情報 |
|
|
権利情報 |
© 2025 The Authors. |
|
言語 |
en |
| 権利情報 |
|
|
権利情報Resource |
https://creativecommons.org/licenses/by-nc-nd/4.0/ |
|
権利情報 |
This publication is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License. |
|
言語 |
en |
J. Chem. Inf. Model.65(21)_11796.pdf (2.3 MB)
.png)
