LOGD74予測は、クロマトグラフィー保持時間、顕微鏡PKA、およびLOGPから知識を転送することにより強化されました

親油性は、溶解度、透過性、代謝、分布、タンパク質結合、毒性など、薬物行動のさまざまな側面に大きく影響する基本的な物理的特性です。LOGD7.4値（生理学的pH 7.4でのN-オクタノールとバッファーの間の分布係数）で測定される親油性の正確な予測は、発見と設計の成功に不可欠です。ただし、LOGDモデリングのデータの利用可能性が限られていることは、満足のいく一般化能力を達成するための重要な課題をもたらします。この課題に対処するために、RTLOGDと呼ばれる新しいLOGD7.4予測モデルを開発しました。これは、複数のソースからの知識を活用しています。RTLOGDは、RTが親油性の影響を受けているため、クロマトグラフィー保持時間（RT）データセットの事前トレーニングを組み合わせています。さらに、顕微鏡PKA値は原子特徴として組み込まれており、イオン化可能な部位とイオン化能力に関する貴重な洞察を提供します。さらに、LOGPは、マルチタスク学習フレームワーク内の補助タスクとして統合されています。アブレーション研究を実施し、RTLOGDモデルのRT、PKA、およびLOGPの有効性と解釈可能性を紹介する詳細な分析を提示しました。特に、RTLOGDモデルは、一般的に使用されるアルゴリズムと予測ツールと比較して、優れた性能を示しました。これらの結果は、RTLOGDモデルの可能性を強調して、創薬と設計におけるLOGD予測の精度と一般化を改善します。要約すると、RTLOGDモデルは、RT、顕微鏡PKA、およびLOGPからの知識を活用することにより、LOGDモデリングにおけるデータの可用性が限られているという課題に対処します。これらの要因を組み込むことで、モデルの予測機能が向上し、創薬および設計シナリオにおける実際のアプリケーションに有望です。

Lipophilicity is a fundamental physical property that significantly affects various aspects of drug behavior, including solubility, permeability, metabolism, distribution, protein binding, and toxicity. Accurate prediction of lipophilicity, measured by the logD7.4 value (the distribution coefficient between n-octanol and buffer at physiological pH 7.4), is crucial for successful drug discovery and design. However, the limited availability of data for logD modeling poses a significant challenge to achieving satisfactory generalization capability. To address this challenge, we have developed a novel logD7.4 prediction model called RTlogD, which leverages knowledge from multiple sources. RTlogD combines pre-training on a chromatographic retention time (RT) dataset since the RT is influenced by lipophilicity. Additionally, microscopic pKa values are incorporated as atomic features, providing valuable insights into ionizable sites and ionization capacity. Furthermore, logP is integrated as an auxiliary task within a multitask learning framework. We conducted ablation studies and presented a detailed analysis, showcasing the effectiveness and interpretability of RT, pKa, and logP in the RTlogD model. Notably, our RTlogD model demonstrated superior performance compared to commonly used algorithms and prediction tools. These results underscore the potential of the RTlogD model to improve the accuracy and generalization of logD prediction in drug discovery and design. In summary, the RTlogD model addresses the challenge of limited data availability in logD modeling by leveraging knowledge from RT, microscopic pKa, and logP. Incorporating these factors enhances the predictive capabilities of our model, and it holds promise for real-world applications in drug discovery and design scenarios.