スコアリング関数補正項を組み込むことにより、タンパク質リガンドのドッキングとスクリーニングの精度の改善

スコアリング機能は、構造ベースの創薬のための分子ドッキングの重要なコンポーネントです。一般的に経験的または力のフィールドベースである従来のスコアリング機能は堅牢であり、ヒットとリードの最適化を特定するのに役立つことが証明されています。複数の非常に正確な深い学習または機械学習ベースのスコアリング機能が開発されていますが、ドッキングとスクリーニングのための直接的なアプリケーションは限られています。補正項（OnionNet-SFCT）を使用して従来のスコアリング機能Vinaスコアを増強することにより、信頼できるタンパク質リガンドスコアリング機能を開発するための新しい戦略について説明します。補正項は、タンパク質残基とリガンド原子の間に形成された複数の層の接触を利用して、吸着剤ランダムフォレストモデルに基づいて開発されています。Vinaスコアに加えて、このモデルは、さまざまなベンチマーク（クロスドッキングデータセット、CASF-2016、DUD-E、DUD-ADなど）に基づいてドッキングおよびスクリーニングタスクのAutoDock Vina予測能力を大幅に強化します。さらに、私たちのモデルを複数のドッキングアプリケーションと組み合わせて、ポーズ選択の精度とスクリーニング能力を高め、構造ベースの薬物発見のための幅広い使用法を示しています。さらに、逆の練習では、併用されたスコアリング戦略は、植物ホルモンの複数の既知の受容体を正常に特定しました。要約すると、結果は、データ駆動型モデル（OnionNet-SFCT）と経験的スコアリング関数（Vinaスコア）の組み合わせが、構造ベースの薬物発見に役立ち、将来の潜在的に標的釣りに役立つ可能性のある優れたスコアリング戦略であることを示しています。

Scoring functions are important components in molecular docking for structure-based drug discovery. Traditional scoring functions, generally empirical- or force field-based, are robust and have proven to be useful for identifying hits and lead optimizations. Although multiple highly accurate deep learning- or machine learning-based scoring functions have been developed, their direct applications for docking and screening are limited. We describe a novel strategy to develop a reliable protein-ligand scoring function by augmenting the traditional scoring function Vina score using a correction term (OnionNet-SFCT). The correction term is developed based on an AdaBoost random forest model, utilizing multiple layers of contacts formed between protein residues and ligand atoms. In addition to the Vina score, the model considerably enhances the AutoDock Vina prediction abilities for docking and screening tasks based on different benchmarks (such as cross-docking dataset, CASF-2016, DUD-E and DUD-AD). Furthermore, our model could be combined with multiple docking applications to increase pose selection accuracies and screening abilities, indicating its wide usage for structure-based drug discoveries. Furthermore, in a reverse practice, the combined scoring strategy successfully identified multiple known receptors of a plant hormone. To summarize, the results show that the combination of data-driven model (OnionNet-SFCT) and empirical scoring function (Vina score) is a good scoring strategy that could be useful for structure-based drug discoveries and potentially target fishing in future.