JP7343911B2 - 結合および活性予測を強化するための機械学習および分子シミュレーションに基づく方法 - Google Patents
結合および活性予測を強化するための機械学習および分子シミュレーションに基づく方法 Download PDFInfo
- Publication number
- JP7343911B2 JP7343911B2 JP2020546373A JP2020546373A JP7343911B2 JP 7343911 B2 JP7343911 B2 JP 7343911B2 JP 2020546373 A JP2020546373 A JP 2020546373A JP 2020546373 A JP2020546373 A JP 2020546373A JP 7343911 B2 JP7343911 B2 JP 7343911B2
- Authority
- JP
- Japan
- Prior art keywords
- receptor
- conformations
- machine learning
- score
- ligand
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
- G16B15/30—Drug targeting using structural data; Docking or binding prediction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/30—Unsupervised data analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/60—In silico combinatorial chemistry
- G16C20/64—Screening of libraries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Description
本出願は、2018年3月5日に出願された"Machine Learning and Molecular Simulation Based Methods for Enhancing Binding and Activity Prediction"という名称の米国仮特許出願第62/638,805号に関し、米国特許法(35 U.S.C.)第119条(e)に基づく利益および優先権を請求する。米国仮特許出願第62/638,805号の開示は、これにより全ての目的でその全体が参照により本明細書に組み込まれる。
本発明の実施形態において、例えば以下の項目が提供される。
(項目1)
リガンドと受容体との間の関係を予測するための方法であって、
受容体の複数のコンフォメーションを同定するステップと、
前記複数のコンフォメーションのそれぞれと1つまたは複数のリガンドのセットとに関するドッキングスコアを計算するステップと、
前記1つまたは複数のリガンドのセットと前記受容体の複数のコンフォメーションとの間の関係を予測するステップと
を含む、方法。
(項目2)
前記複数のコンフォメーションが、少なくとも1つの非結晶学的状態を含む、項目1に記載の方法。
(項目3)
前記複数のコンフォメーションを同定するステップが、前記受容体とリガンドとの相互作用をシミュレートすることからシミュレーションデータを作成することを含む、項目1に記載の方法。
(項目4)
前記複数のコンフォメーションを同定するステップが、前記シミュレーションデータにクラスタリング演算を行って前記複数のコンフォメーションを同定することをさらに含む、項目3に記載の方法。
(項目5)
前記クラスタリング演算が、ミニバッチk-平均クラスタリング演算である、項目4に記載の方法。
(項目6)
前記複数のコンフォメーションを同定するステップが、前記シミュレーションデータに対して次元削減演算を行うことをさらに含む、項目3に記載の方法。
(項目7)
前記複数のコンフォメーションを同定するステップが、前記複数のコンフォメーションの各コンフォメーションに関する反応座標のセットを同定することを含む、項目1に記載の方法。
(項目8)
前記ドッキングスコアを計算するステップが、前記リガンドのセットと前記複数のコンフォメーションのそれぞれとのドッキングをシミュレートすることを含む、項目1に記載の方法。
(項目9)
前記ドッキングスコアを計算するステップが、ドッキングスコアの素性行列を構築することを含み、前記関係を予測するステップが、前記素性行列を機械学習モデルに入力することを含む、項目1に記載の方法。
(項目10)
前記機械学習モデルが、ランダムフォレストモデルを含む、項目9に記載の方法。
(項目11)
前記ランダムフォレストが、8.0(10nM)のpIC50カットオフを有する、項目10に記載の方法。
(項目12)
前記ランダムフォレストが第1のランダムフォレストモデルであり、前記機械学習モデルが、第2のランダムフォレストモデルをさらに含む、項目10に記載の方法。
(項目13)
前記第1のランダムフォレストモデルが結合のためであり、前記第2のランダムフォレストモデルがアゴニズムのためである、項目12に記載の方法。
(項目14)
前記第1のランダムフォレストモデルおよび前記第2のランダムフォレストモデルが、前記第1のランダムフォレストモデルおよび前記第2のランダムフォレストモデルの両方からそれぞれ最終スコアを作成するためにライブラリーリガンドに適用される、項目13に記載の方法。
(項目15)
公知の薬理学的性質を持つリガンドのデータベースからのリガンドで前記機械学習モデルを訓練するステップをさらに含む、項目9に記載の方法。
(項目16)
前記関係を予測するステップが、前記リガンドが前記受容体に対するアゴニストであるか否かを決定することを含む、項目1に記載の方法。
(項目17)
予測された前記関係に基づいて、1つまたは複数の候補リガンドのセットを同定するステップと、
前記候補リガンドのセットと前記受容体との反応を、物理的に試験するステップと
をさらに含む、項目1に記載の方法。
(項目18)
前記関係を予測するステップが、
前記リガンドのセットと前記複数のコンフォメーションの各コンフォメーションとに関する関係を予測すること、および
前記リガンドのセットと前記受容体との総計の関係を、前記複数のコンフォメーションに関する予測された前記関係に基づいて予測すること
を含む、項目1に記載の方法。
(項目19)
リガンドと受容体との間の関係を予測するためのシステムであって、
受容体の複数のコンフォメーションを同定し、
前記複数のコンフォメーションのそれぞれと1つまたは複数のリガンドのセットとに関するドッキングスコアを計算し、かつ
前記1つまたは複数のリガンドのセットと前記受容体の複数のコンフォメーションとの間の関係を予測する
ように個々にまたはまとめて構成された1つまたは複数のプロセッサーを含む、システム。
(項目20)
前記複数のコンフォメーションが、少なくとも1つの非結晶学的状態を含む、項目19に記載のシステム。
(項目21)
前記複数のコンフォメーションを同定するように個々にまたはまとめて構成された前記1つまたは複数のプロセッサーが、前記受容体とリガンドとの相互作用をシミュレートすることからシミュレーションデータを作成するように個々にまたはまとめて構成された前記1つまたは複数のプロセッサーを含む、項目19に記載のシステム。
(項目22)
前記複数のコンフォメーションを同定するように個々にまたはまとめて構成された前記1つまたは複数のプロセッサーが、前記複数のコンフォメーションを同定するために前記シミュレーションデータにクラスター演算を行うように個々にまたはまとめて構成された前記1つまたは複数のプロセッサーをさらに含む、項目21に記載のシステム。
(項目23)
前記クラスター演算に対して個々にまたはまとめて構成された前記1つまたは複数のプロセッサーが、ミニバッチk-平均クラスタリング演算である、項目22に記載のシステム。
(項目24)
前記複数のコンフォメーションを同定するように個々にまたはまとめて構成された前記1つまたは複数のプロセッサーが、前記シミュレーションデータに対して次元削減演算を行うように個々にまたはまとめて構成された前記1つまたは複数のプロセッサーをさらに含む、項目21に記載のシステム。
(項目25)
前記複数のコンフォメーションを同定するように個々にまたはまとめて構成された前記1つまたは複数のプロセッサーが、前記複数のコンフォメーションの各コンフォメーションに関する反応座標のセットを同定するように個々にまたはまとめて構成された前記1つまたは複数のプロセッサーを含む、項目19に記載のシステム。
(項目26)
前記ドッキングスコアを計算するように個々にまたはまとめて構成された前記1つまたは複数のプロセッサーが、前記リガンドのセットと前記複数のコンフォメーションのそれぞれとのドッキングをシミュレートするように個々にまたはまとめて構成された前記1つまたは複数のプロセッサーを含む、項目19に記載のシステム。
(項目27)
前記ドッキングスコアを計算するように個々にまたはまとめて構成された前記1つまたは複数のプロセッサーが、ドッキングスコアの素性行列を構築するように個々にまたはまとめて構成された前記1つまたは複数のプロセッサーを含み、前記関係を予測するように個々にまたはまとめて構成された前記1つまたは複数のプロセッサーが、前記素性行列を機械学習モデルに入力するように個々にまたはまとめて構成された前記1つまたは複数のプロセッサーを含む、項目19に記載のシステム。
(項目28)
前記機械学習モデルがランダムフォレストである、項目27に記載のシステム。
(項目29)
前記ランダムフォレストが、8.0(10nM)のpIC50カットオフを有する、項目28に記載のシステム。
(項目30)
前記ランダムフォレストが第1のランダムフォレストモデルであり、前記機械学習モデルが、第2のランダムフォレストモデルをさらに含む、項目28に記載のシステム。
(項目31)
前記第1のランダムフォレストモデルが結合のためであり、前記第2のランダムフォレストモデルがアゴニズムのためである、項目30に記載のシステム。
(項目32)
前記第1のランダムフォレストモデルおよび前記第2のランダムフォレストモデルが、前記第1のランダムフォレストモデルおよび前記第2のランダムフォレストモデルの両方からそれぞれ最終スコアを作成するためにライブラリーリガンドに適用される、項目31に記載のシステム。
(項目33)
公知の薬理学的性質を持つリガンドのデータベースからのリガンドで前記機械学習モデルを訓練するように個々にまたはまとめて構成された、前記1つまたは複数のプロセッサーをさらに含む、項目27に記載のシステム。
(項目34)
前記関係を予測するように個々にまたはまとめて構成された前記1つまたは複数のプロセッサーが、前記リガンドが前記受容体に対するアゴニストであるか否かを決定するように個々にまたはまとめて構成された前記1つまたは複数のプロセッサーを含む、項目19に記載のシステム。
(項目35)
予測された前記関係に基づいて、1つまたは複数の候補リガンドのセットを同定し、かつ
前記候補リガンドのセットと前記受容体との反応を物理的に試験する
ように個々にまたはまとめて構成された1つまたは複数のプロセッサーをさらに含む、項目19に記載のシステム。
(項目36)
前記関係を予測するステップが、
前記リガンドのセットおよび前記複数のコンフォメーションの各コンフォメーションに関する関係を予測し、かつ
前記複数のコンフォメーションに関して予測された前記関係に基づいて、前記リガンドのセットと前記受容体とに関する総計の関係を予測する
ように個々にまたはまとめて構成された1つまたは複数のプロセッサーを含む、
項目19に記載のシステム。
本発明の一部の実施形態によるモデリングおよび予測を提供するシステムを、図3に示す。ネットワーク300は、通信ネットワーク360を含む。通信ネットワーク360は、ネットワーク360に接続されたデバイスをその他の接続されたデバイスと通信可能にする、インターネットなどのネットワークである。サーバーシステム310、340、および370はネットワーク360に接続される。サーバーシステム310、340、および370のそれぞれは、ネットワーク360上でユーザーにクラウドサービスを提供するプロセスを実行する内部ネットワークを介して、互いに通信可能に接続された1つまたは複数のサーバーコンピュータシステムのグループである。この考察の目的で、クラウドサービスは、ネットワーク上でデバイスにデータおよび/または実行可能なアプリケーションを提供するために1つまたは複数のサーバーシステムによって実行される1つまたは複数のアプリケーションである。サーバーシステム310、340、および370は、各々内部ネットワークを介して接続された3つのサーバーを有して示される。しかしサーバーシステム310、340、および370は、任意の数のサーバーを含んでいてもよく、任意の追加の数のサーバーシステムがネットワーク360に接続されて、限定するものではないが仮想化サーバーシステムを含むクラウドサービスを提供してもよい。本発明の様々な実施形態によれば、リガンド特性をモデリングし予測するためのプロセスは、ネットワーク360経由で通信する単一サーバーシステムおよび/または一群のサーバーシステム上で実行される1つまたは複数のソフトウェアアプリケーションによって提供される。
P(結合剤∩アゴニスト|モデル)=P(結合剤|モデルb)・P(アゴニスト|モデルa)
による、2つの発生した最終スコアの積から計算される。
下記の実施例は、特許請求の範囲に記載された本発明を例示するために提供されるが、それらに限定するものではない。
足場スプリット(scaffold split)が定義され、(1)フェンタニルと比較して≦0.5であるタニモトスコアを持つアゴニストリガンドを訓練セットに置き、(2)フェンタニルと比較して≧0.7であるタニモトスコアを持つアゴニストリガンドを試験セットに置き、(3)アンタゴニストを、訓練および試験セットの間でランダムに分布させた。
a)
フェンタニル類似体リガンド(試験セット):
[‘アセチルフェンタニル’、‘アクリルフェンタニル’、‘3-アリルフェンタニル’、‘アルファメチルチオフェンタニル’、‘アザプロシン’、‘ベータヒドロキシフェンタニル’、‘ベータヒドロキシチオフェンタニル’、‘ブチルフェンタニル’、‘カルフェンタニル’、‘デスメチルプロジン’、‘ジアムプロミド’、‘フェンタニル’、‘4-フルオロブチルフェンタニル’、‘フラニルフェンタニル’、‘ロフェンタニル’、‘4-メトキシブチルフェンタニル’、‘アルファ-メチルアセチルフェンタニル’、‘3-メチルブチルフェンタニル’、‘n-メチルカルフェンタニル’、‘3-メチルフェンタニル’、‘ベータ-メチルフェンタニル’、‘3-メチルチオフェンタニル’、‘オクフェンタニル’、‘オーメフェンタニル’、‘パラフルオロフェンタニル’、‘pepap’、‘フェナムプロミド’、‘フェナリジン’、‘4-フェニルフェンタニル’、‘プロジリジン’、‘プロジン’、‘プロヘプタジン’、‘プロシドール’、‘r-30490’、‘レミフェンタニル’、‘スフェンタニル’、‘チオフェンタニル’、‘トリメペリジン’、‘u-47700’]
非フェンタニル-類似体アゴニスト(訓練セット):
[‘7-pet’、‘アリマドール’、‘アルファメタドール’、‘アジドモルフィン’、‘bdpc’、‘ベータメタドール’、‘c-8813’、‘セブラノパドール’、‘クロロモルフィデ’、‘クロロキシモルファミン’、‘シプレファドール’、‘クロニタゼン’、‘dadle’、‘damgo’、‘デソモルフィン’、‘ジヒドロエトルフィン’、‘ジヒドロモルフィン’、‘ジメノキサドール’、‘ジメフェプタノール’、‘ジメチルアミノピバロフェノン’、‘エルキサドリン’、‘エンドモルフィン’、‘エンドモルフィン-1’、‘14-エトキシメトポン’、‘エトニタゼン’、‘エトルフィン’、‘ヘモルフィン-4’、‘ヘテロコデイン’、‘ヒドロモルフィノール’、‘ヒドロモルフォン’、‘ibntxa’、‘ケタミン’、‘レフェタミン’、‘レボフェナシルモルファン’、‘レボルファノール’、‘14-メトキシジヒドロモルフィノン’、‘14-メトキシメトポン’、‘メチルデソルフィン’、‘メチルジヒドロモルフィン’、‘6-メチレンジヒドロデソキシモルフィン’、‘メトポン’、‘ミトラギニン_シュードインドキシル’、‘6-モノアセチルモルフィン’、‘モルフィン’、‘モルフィン-6-グルクロニド’、‘モルフィノン’、‘mr-2096’、‘オリセリジン’、‘オキシモルファゾン’、‘オキシモルフォール’、‘オキシモルフォン’、‘ペンタモルフォン’、‘フェナゾシン’、‘n-フェネチルノルデソモルフィン’、‘n-フェネチルノルモルフィン’、‘フェノモルファン’、‘14-フェニルプロポキシメトポン’、‘ピセナドール’、‘pzm21’、‘ラセモルファン’、‘ro4-1539’、‘sc-17599’、‘セモルフォン’、‘チエノルフィン’、‘チリジン’、‘trimu_5’、‘ビミノール’]
アンタゴニスト:
[‘レバロルファン’、‘6ベータ-ナルトレキソール-d4’、‘ベータ-クロルナルトレキサミン’、‘ベータ-フナルトレキサミン’、‘アルビモパン’、‘at-076’、‘アキセロプラン’、‘ベヴェノプラン’、‘クロシンナモックス’、‘シクロフォキシ’、‘シプロジム’、‘エプタゾシン’、‘ly-255582’、‘メトシンナモックス’、‘メチルナルトレキソン’、‘メチルサミドルファン’、‘ナルメフェン’、‘ナロキサゾン’、‘ナロキセゴール’、‘ナロキソール’、‘ナロキソナジン’、‘ナロキソン’、‘ナルトレキサゾン(naltrexazone)’、‘ナルトレキソン’、‘オキシロルファン’、‘クウァダゾシン(quadazocine)’、‘サミドルファン’]
b)
メタドン類似体リガンド(試験セット)。
[‘アセチルメタドール’、‘アルファセチルメタドール’、‘アルファメタドール’、‘ベータセチルメタドール’、‘ベータメタドール’、‘ジピパノン’、‘ic-26’、‘イソメタドン’、‘ケトベミドン’、‘レバセチルメタドール’、‘レボメタドン’、‘メタドン’、‘メチルケトベミドン’、‘ノルアシメタドール’、‘フェナドキソン’、‘プロピルケトベミドン’、‘r4066’]
非メタドン類似体(訓練セット)。
[‘7-pet’、‘アリマドール’、‘アジドモルフィン’、‘bdpc’、‘c-8813’、‘セブラノパドール’、‘クロロモルフィデ’、‘クロロキシモルファミン’、‘シプレファドール’、‘クロニタゼン’、‘dadle’、‘damgo’、‘デソモルフィン’、‘ジヒドロエトルフィン’、‘ジヒドロモルフィン’、‘ジメノキサドール’、‘ジメフェプタノール’、‘ジメチルアミノピバロフェノン’、‘エルキサドリン’、‘エンドモルフィン’、‘エンドモルフィン-1’、‘14-エトキシメトポン’、‘エトニタゼン’、‘エトルフィン’、‘ヘモルフィン-4’、‘ヘテロコデイン’、‘ヒドロモルフィノール’、‘ヒドロモルフォン’、‘ibntxa’、‘ケタミン’、‘レフェタミン’、‘レボフェナシルモルファン’、‘レボルファノール’、‘14-メトキシジヒドロモルフィノン’、‘14-メトキシメトポン’、‘メチルデソルフィン’、‘メチルジヒドロモルフィン’、‘6-メチレンジヒドロデソキシモルフィン’、‘メトポン’、‘ミトラギニン_シュードインドキシル’、‘6-モノアセチルモルフィン’、‘モルフィン’、‘モルフィン-6-グルクロニド’、‘モルフィノン’、‘mr-2096’、‘オリセリジン’、‘オキシモルファゾン’、‘オキシモルフォール’、‘オキシモルフォン’、‘ペンタモルフォン’、‘フェナゾシン’、‘n-フェネチルノルデソモルフィン’、‘n-フェネチルノルモルフィン’、‘フェノモルファン’、‘14-フェニルプロポキシメトポン’、‘ピセナドール’、‘pzm21’、‘ラセモルファン’、‘ro4-1539’、‘sc-17599’、‘セモルフォン’、‘チエノルフィン’、‘チリジン’、‘trimu_5’、‘ビミノール’]
アンタゴニスト:
[‘レバロルファン’、‘6ベータ-ナルトレキソール-d4’、‘ベータ-クロルナルトレキサミン’、‘ベータ-フナルトレキサミン’、‘アルビモパン’、‘at-076’、‘アキセロプラン’、‘ベヴェノプラン’、‘クロシンナモックス’、‘シクロフォキシ’、‘シプロジム’、‘エプタゾシン’、‘ly-255582’、‘メトシンナモックス’、‘メチルナルトレキソン’、‘メチルサミドルファン’、‘ナルメフェン’、‘ナロキサゾン’、‘ナロキセゴール’、‘ナロキソール’、‘ナロキソナジン’、‘ナロキソン’、‘ナルトレキサゾン’、‘ナルトレキソン’、‘オキシロルファン’、‘クウァダゾシン’、‘サミドルファン’]
a)オピオイドアゴニストおよびアンタゴニストの間を区別し、b)μORからの結合剤および非結合剤の間を区別するための、各フィーチャ(MD状態、結晶構造)のランダムフォレスト平均Gini不純度低減(「重要性」)。
MD状態および結晶構造の両方とのドッキングは、非結合剤からμOR結合剤を区別する能力を、結晶単独よりも統計的に有意に改善する。以下の表は、種々のスプリットおよびモデルタイプに関する1,000の訓練-検証スプリット(train-valid split)上での検証セットでのメジアンROC曲線下面積(AUC)性能を示す。結晶単独と結晶+MD構造法との間の差は、99%ウィルソンスコアリング信頼区間(CI)の下限が0.5よりも大きい場合、統計的に有意と見なされる。各データセットごとに、結晶構造に加えてMD由来構造を組み込むことで、AUCにより測定したときに非結合剤から結合剤を区別する能力に、統計的に有意な改善が提供されることに留意されたい。特に、フェンタニル(またはメタドン)類似体が訓練セットから取り出された場合、モデルは、アンタゴニストのランダムセットからフェンタニル(またはメタドン)誘導体アゴニストを依然として区別できる。このことは、このように適合されたモデルが、既存のものの誘導体に加えて新しいオピオイドアゴニスト足場を発見する能力を有することを示す。
MD状態および結晶構造の両方とのドッキングは、非結合剤からμOR結合剤を区別する能力を、結晶単独よりも統計的に有意に改善する。以下の表は、種々のスプリットおよびモデルタイプに関する1,000の訓練-検証スプリット上での検証セットでのメジアンROC曲線下面積(AUC)性能を示す。結晶単独と結晶+MD構造法との間の差は、99%ウィルソンスコアリング信頼区間(CI)の下限が0.5よりも大きい場合、統計的に有意と見なされる。各データセットごとに、結晶構造に加えてMD由来構造を組み込むことで、AUCにより測定したときに非結合剤から結合剤を区別する能力に、統計的に有意な改善が提供されることに留意されたい。特に、類似の足場を持つ(>0.7のタニモト類似性スコアにより測定したとき)分子が訓練データから取り出された場合、モデルは、非結合剤から結合剤を依然として区別できる。このことは、このように適合されたモデルが、既存のものの誘導体に加えて新しいオピオイド足場を発見する能力を有することを示す。
いくつかの新規なオピオイド-活性リガンド、FMP4の同定
FMP4の分析およびμORの新規な活性様状態の同定
Claims (20)
- 1つまたは複数のコンピューターによって実施するリガンドと受容体との間の関係を予測するための方法であって、
前記受容体の複数のクラスタリングされたコンフォメーションを同定するステップであって、
前記受容体のシミュレートされたコンフォメーションの集合を定める、前記受容体の時間間隔にわたる分子動力学のシミュレーションを行うこと、および
前記受容体のシミュレートされたコンフォメーションの前記集合をクラスタリングして、前記受容体の前記複数のクラスタリングされたコンフォメーションを生成すること
を含む、ステップと、
前記受容体の前記複数のクラスタリングされたコンフォメーションのそれぞれについて、前記受容体の前記クラスタリングされたコンフォメーションと、前記リガンドとの間のそれぞれのドッキングスコアを計算するステップと、
機械学習モデルによって、前記受容体の前記複数のクラスタリングされたコンフォメーションのそれぞれについての前記それぞれのドッキングスコアを含む前記機械学習モデルへのモデル入力を受信するステップであって、前記機械学習モデルは、監督された機械学習技術により訓練された機械学習モデルパラメーターのセットによってパラメータ化されている、ステップと、
前記機械学習モデルパラメーターのセットの訓練された値に従って、前記受容体の前記複数のクラスタリングされたコンフォメーションのそれぞれについての前記それぞれのドッキングスコアを含む前記モデル入力を、前記機械学習モデルを使用して処理して、結合スコアを含む前記機械学習モデルのモデル出力を生成するステップであって、前記結合スコアは前記リガンドの前記受容体への結合親和性を特徴付けるスコアである、ステップと
を含む、方法。 - 前記受容体のシミュレートされたコンフォメーションの前記集合が、少なくとも1つの非結晶学的状態を含む、請求項1に記載の方法。
- 前記受容体の分子動力学のシミュレーションを行うことが、前記受容体と前記リガンドとの相互作用をシミュレートすることを含む、請求項1または2に記載の方法。
- 前記受容体のシミュレートされたコンフォメーションの前記集合をクラスタリングすることが、前記受容体のシミュレートされたコンフォメーションの前記集合に対して次元削減演算を行うことを含む、請求項1~3のいずれか一項に記載の方法。
- 前記受容体の前記複数のクラスタリングされたコンフォメーションのそれぞれについて、前記受容体の前記クラスタリングされたコンフォメーションと、前記リガンドとの間のドッキングスコアを計算するステップが、前記リガンドと前記受容体のクラスタリングされたコンフォメーションのドッキングをシミュレートすることを含む、請求項1~4のいずれか一項に記載の方法。
- 前記機械学習モデルが、1つまたは複数のランダムフォレストモデルを含む、請求項1~5のいずれか一項に記載の方法。
- 前記リガンドと前記受容体との反応を、物理的に試験するステップをさらに含む、請求項1~6のいずれか一項に記載の方法。
- 前記機械学習モデルが、ニューラルネットワークモデルを含む、請求項1~7のいずれか一項に記載の方法。
- 前記機械学習モデルの前記モデル出力が、前記リガンドが前記受容体のアゴニストである尤度を特徴付けるアゴニストスコアを含む、請求項1~8のいずれか一項に記載の方法。
- 前記機械学習モデルの前記モデル出力が、(i)前記リガンドの前記受容体への結合親和性を特徴付ける結合スコア、および(ii)前記リガンドが前記受容体のアゴニストである尤度を特徴付けるアゴニストスコアを含み、
前記方法が、前記結合スコアおよび前記アゴニストスコアを組み合わせることにより全体スコアを生成するステップをさらに含む、請求項1~9のいずれか一項に記載の方法。 - 前記結合スコアおよび前記アゴニストスコアを合わせることにより全体スコアを生成するステップが、前記結合スコアおよび前記アゴニストスコアの積を計算することを含む、請求項10に記載の方法。
- 前記分子動力学シミュレーションの時間間隔が、少なくとも1ミリ秒の持続期間を有する、請求項1~11のいずれか一項に記載の方法。
- 前記受容体のシミュレートされたコンフォメーションの前記集合をクラスタリングすることが、前記受容体のシミュレートされたコンフォメーションの前記集合にk-平均クラスタリング演算を適用することを含む、請求項1~12のいずれか一項に記載の方法。
- 前記受容体のシミュレートされたコンフォメーションの前記集合が、前記受容体の百万のシミュレートされたコンフォメーションを含む、請求項1~13のいずれか一項に記載の方法。
- 前記受容体のシミュレートされたコンフォメーションの前記集合をクラスタリングすることが、クラスターのセットを生成することを含み、ここで、前記クラスターのセットにおけるクラスターの数は、前記受容体のシミュレートされたコンフォメーションの前記集合における前記受容体のシミュレートされたコンフォメーションの数よりも少ない、請求項1~14のいずれか一項に記載の方法。
- 1つまたは複数のコンピューターによって実行された場合に、前記1つまたは複数のコンピューターにリガンドと受容体との間の関係を予測するための命令を実施させる、1つまたは複数の非一過性コンピューター記録媒体であって、前記操作は、
前記受容体の複数のクラスタリングされたコンフォメーションを同定するステップであって、
前記受容体のシミュレートされたコンフォメーションの集合を定める、前記受容体の時間間隔にわたる分子動力学のシミュレーションを行うこと、および
前記受容体のシミュレートされたコンフォメーションの前記集合をクラスタリングして、前記受容体の前記複数のクラスタリングされたコンフォメーションを生成すること
を含む、ステップと、
前記受容体の前記複数のクラスタリングされたコンフォメーションのそれぞれについて、前記受容体の前記クラスタリングされたコンフォメーションと、前記リガンドとの間のそれぞれのドッキングスコアを計算するステップと、
機械学習モデルによって、前記受容体の前記複数のクラスタリングされたコンフォメーションのそれぞれについての前記それぞれのドッキングスコアを含む前記機械学習モデルへのモデル入力を受信するステップであって、前記機械学習モデルは、監督された機械学習技術により訓練された機械学習モデルパラメーターのセットによってパラメータ化されている、ステップと、
前記機械学習モデルパラメーターのセットの訓練された値に従って、前記受容体の前記複数のクラスタリングされたコンフォメーションのそれぞれについての前記それぞれのドッキングスコアを含む前記モデル入力を、前記機械学習モデルを使用して処理して、結合スコアを含む前記機械学習モデルのモデル出力を生成するステップであって、前記結合スコアは前記リガンドの前記受容体への結合親和性を特徴付けるスコアである、ステップと
を含む、非一過性コンピューター記録媒体。 - 1つまたは複数のコンピューター、および
前記1つまたは複数のコンピューターと通信可能に接続された1つまたは複数の記録デバイス
を含むシステムであって、前記1つまたは複数の記録デバイスは、前記1つまたは複数のコンピューターによって実行された場合に、前記1つまたは複数のコンピューターにリガンドと受容体との間の関係を予測するための操作を実施させる命令を記録し、前記操作は、
前記受容体の複数のクラスタリングされたコンフォメーションを同定するステップであって、
前記受容体のシミュレートされたコンフォメーションの集合を定める、前記受容体の時間間隔にわたる分子動力学のシミュレーションを行うこと、および
前記受容体のシミュレートされたコンフォメーションの前記集合をクラスタリングして、前記受容体の前記複数のクラスタリングされたコンフォメーションを生成すること
を含む、ステップと、
前記受容体の前記複数のクラスタリングされたコンフォメーションのそれぞれについて、前記受容体の前記クラスタリングされたコンフォメーションと、前記リガンドとの間のそれぞれのドッキングスコアを計算するステップと、
機械学習モデルによって、前記受容体の前記複数のクラスタリングされたコンフォメーションのそれぞれについての前記それぞれのドッキングスコアを含む前記機械学習モデルへのモデル入力を受信するステップであって、前記機械学習モデルは、監督された機械学習技術により訓練された機械学習モデルパラメーターのセットによってパラメータ化されている、ステップと、
前記機械学習モデルパラメーターのセットの訓練された値に従って、前記受容体の前記複数のクラスタリングされたコンフォメーションのそれぞれについての前記それぞれのドッキングスコアを含む前記モデル入力を、前記機械学習モデルを使用して処理して、結合スコアを含む前記機械学習モデルのモデル出力を生成するステップであって、前記結合スコアは前記リガンドの前記受容体への結合親和性を特徴付けるスコアである、ステップと
を含む、システム。 - 前記受容体のシミュレートされたコンフォメーションの前記集合が、少なくとも1つの非結晶学的状態を含む、請求項17に記載のシステム。
- 前記受容体の分子動力学のシミュレーションを行うことが、前記受容体と前記リガンドとの相互作用をシミュレートすることを含む、請求項17または18に記載のシステム。
- 前記受容体のシミュレートされたコンフォメーションの前記集合をクラスタリングすることが、前記受容体のシミュレートされたコンフォメーションの前記集合に対して次元削減演算を行うことを含む、請求項17~19のいずれか一項に記載のシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862638805P | 2018-03-05 | 2018-03-05 | |
US62/638,805 | 2018-03-05 | ||
PCT/US2019/020843 WO2019173407A1 (en) | 2018-03-05 | 2019-03-05 | Machine learning and molecular simulation based methods for enhancing binding and activity prediction |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021515233A JP2021515233A (ja) | 2021-06-17 |
JP7343911B2 true JP7343911B2 (ja) | 2023-09-13 |
Family
ID=67768735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020546373A Active JP7343911B2 (ja) | 2018-03-05 | 2019-03-05 | 結合および活性予測を強化するための機械学習および分子シミュレーションに基づく方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US20190272887A1 (ja) |
EP (1) | EP3762730A4 (ja) |
JP (1) | JP7343911B2 (ja) |
KR (1) | KR102604438B1 (ja) |
CN (1) | CN112204402B (ja) |
AU (1) | AU2019231261A1 (ja) |
CA (1) | CA3093260A1 (ja) |
WO (1) | WO2019173407A1 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2019231255A1 (en) | 2018-03-05 | 2020-10-01 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and methods for spatial graph convolutions with applications to drug discovery and molecular simulation |
CN112365023A (zh) * | 2020-09-30 | 2021-02-12 | 浙江汉德瑞智能科技有限公司 | 基于机器学习的机场群体性事件预测及预警方法 |
US11256995B1 (en) | 2020-12-16 | 2022-02-22 | Ro5 Inc. | System and method for prediction of protein-ligand bioactivity using point-cloud machine learning |
JP7057004B1 (ja) * | 2021-03-05 | 2022-04-19 | 国立大学法人東京工業大学 | 予測装置、学習済みモデルの生成装置、予測方法、学習済みモデルの生成方法、予測プログラム、及び学習済みモデルの生成プログラム |
US11742057B2 (en) | 2021-07-22 | 2023-08-29 | Pythia Labs, Inc. | Systems and methods for artificial intelligence-based prediction of amino acid sequences at a binding interface |
US11450407B1 (en) | 2021-07-22 | 2022-09-20 | Pythia Labs, Inc. | Systems and methods for artificial intelligence-guided biomolecule design and assessment |
CN113808683A (zh) * | 2021-09-02 | 2021-12-17 | 深圳市绿航星际太空科技研究院 | 基于受体和配体的药物虚拟筛选的方法及系统 |
CN114360661B (zh) * | 2022-01-06 | 2022-11-22 | 中国人民解放军国防科技大学 | 基于群体智能优化模型的分子结构预测方法及相关设备 |
CN114708931B (zh) * | 2022-04-22 | 2023-01-24 | 中国海洋大学 | 结合机器学习和构象计算提高药-靶活性预测精度的方法 |
WO2024063583A1 (ko) * | 2022-09-21 | 2024-03-28 | (주)신테카바이오 | 인공지능 신약 플랫폼을 통한 표적 단백질의 결합 포켓 구조를 이용한 유도체 생성 방법 |
WO2024063584A1 (ko) * | 2022-09-21 | 2024-03-28 | (주)신테카바이오 | 인공지능 신약 플랫폼의 중심원자 벡터 기반 단백질-리간드 간 결합구조 분석 방법 |
KR102650868B1 (ko) | 2023-07-04 | 2024-03-26 | 서울대학교산학협력단 | 스코어링 함수의 학습 방법 및 이를 이용한 단백질-리간드 도킹 예측 장치 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020072587A1 (en) | 2000-07-12 | 2002-06-13 | Somers William S. | Crystal structure of estrogen receptor-beta complex and uses thereof |
WO2002101077A3 (en) | 2001-06-11 | 2003-05-30 | Donald Danforth Plant Science | Docking of small ligands to low-resolution and theoretically predicted receptor structures |
JP2005517630A (ja) | 2001-06-13 | 2005-06-16 | ザ リージェンツ オブ ザ ユニバーシティ オブ ミシガン | ドーパミン受容体リガンドおよびこれに基づく治療方法 |
US20150193575A1 (en) | 2013-12-13 | 2015-07-09 | The Governors Of The University Of Alberta | Systems and methods of selecting compounds with reduced risk of cardiotoxicity |
JP2016166159A (ja) | 2015-03-10 | 2016-09-15 | 一夫 桑田 | プログラムおよび支援方法 |
WO2017070160A1 (en) | 2015-10-20 | 2017-04-27 | Georgetown University | Systems and methods for in silico drug discovery |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050053999A1 (en) * | 2000-11-14 | 2005-03-10 | Gough David A. | Method for predicting G-protein coupled receptor-ligand interactions |
WO2003087310A2 (en) * | 2002-04-04 | 2003-10-23 | California Institute Of Technology | Directed protein docking algorithm |
US20050055187A1 (en) * | 2003-06-10 | 2005-03-10 | Sherman Brian Woody | Method and system for interactive molecular docking and feedback |
WO2007139037A1 (ja) * | 2006-05-26 | 2007-12-06 | Kyoto University | ケミカルゲノム情報に基づく、タンパク質-化合物相互作用の予測と化合物ライブラリーの合理的設計 |
US9880179B2 (en) * | 2013-02-05 | 2018-01-30 | The Board Of Trustees Of The Leland Stanford Junior University | Method for selecting agents that bind to transmembrane receptors in a conformationally selective manner |
DK3418929T3 (da) * | 2013-09-27 | 2021-02-01 | Codexis Inc | Automatiseret screening af enzymvarianter |
US11548860B2 (en) * | 2015-10-22 | 2023-01-10 | Mangosuthu University Of Technology | Pharmacophores, compounds and methods having application in the treatment of cancer through inhibition of CYP17A1 and CYP19A1 |
WO2017192872A1 (en) * | 2016-05-05 | 2017-11-09 | Bowman Gregory R | Methods of protein docking and rational drug design |
TW201933375A (zh) * | 2017-08-09 | 2019-08-16 | 美商人類長壽公司 | 蛋白質之結構預測 |
CN107729717B (zh) * | 2017-11-03 | 2019-09-27 | 四川大学 | 一种计算机模拟获取g蛋白偶联受体中间态结构的方法 |
US11213518B2 (en) * | 2017-11-14 | 2022-01-04 | The Board Of Trustees Of The Leland Stanford Junior University | Ligands of the mu, kappa, and delta opioid receptors |
-
2019
- 2019-03-05 AU AU2019231261A patent/AU2019231261A1/en active Pending
- 2019-03-05 KR KR1020207028266A patent/KR102604438B1/ko active IP Right Grant
- 2019-03-05 WO PCT/US2019/020843 patent/WO2019173407A1/en unknown
- 2019-03-05 CA CA3093260A patent/CA3093260A1/en active Pending
- 2019-03-05 JP JP2020546373A patent/JP7343911B2/ja active Active
- 2019-03-05 CN CN201980029141.7A patent/CN112204402B/zh active Active
- 2019-03-05 EP EP19763344.9A patent/EP3762730A4/en active Pending
- 2019-03-05 US US16/293,607 patent/US20190272887A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020072587A1 (en) | 2000-07-12 | 2002-06-13 | Somers William S. | Crystal structure of estrogen receptor-beta complex and uses thereof |
WO2002101077A3 (en) | 2001-06-11 | 2003-05-30 | Donald Danforth Plant Science | Docking of small ligands to low-resolution and theoretically predicted receptor structures |
JP2005517630A (ja) | 2001-06-13 | 2005-06-16 | ザ リージェンツ オブ ザ ユニバーシティ オブ ミシガン | ドーパミン受容体リガンドおよびこれに基づく治療方法 |
US20150193575A1 (en) | 2013-12-13 | 2015-07-09 | The Governors Of The University Of Alberta | Systems and methods of selecting compounds with reduced risk of cardiotoxicity |
JP2016166159A (ja) | 2015-03-10 | 2016-09-15 | 一夫 桑田 | プログラムおよび支援方法 |
WO2017070160A1 (en) | 2015-10-20 | 2017-04-27 | Georgetown University | Systems and methods for in silico drug discovery |
Non-Patent Citations (6)
Title |
---|
Ashtawy, Hossam Mohamed Farg,Data-driven and task-specific scoring functions for predicting ligand binding poses and affinity and for screening enrichment,2017年,https://doi.org/doi:10.25335/M5QX2N |
Brian E Krumm,Structure and dynamics of a constitutively active neurotensin receptor,Sci Rep,2016年12月07日,Vol.6,Page.38564 |
Diwakar Shukla,Elucidating Ligand-Modulated Conformational Landscape of GPCRs Using Cloud-Computing Approaches,Methods in Enzymology,2015年03月24日,Vol.557,Page.551-572 |
Gabriela S Heck,Supervised Machine Learning Methods Applied to Predict Ligand- Binding Affinity,Curr Med Chem,2017年,Vol.24 No.23,Page.2459-2470 |
Pedro J Ballester,A machine learning approach to predicting protein-ligand binding affinity with applications to molecular docking,Bioinformatics,2010年03月17日,Vol.26 No.9,Page.1169-1175 |
Qurrat Ul Ain,Machine-learning scoring functions to improve structure-based binding affinity prediction and virtual screening,Wiley Interdiscip Rev Comput Mol Sci,2015年08月28日,Vol.5 No.6,Page.405-424 |
Also Published As
Publication number | Publication date |
---|---|
CA3093260A1 (en) | 2019-09-12 |
JP2021515233A (ja) | 2021-06-17 |
CN112204402A (zh) | 2021-01-08 |
KR20200128710A (ko) | 2020-11-16 |
AU2019231261A1 (en) | 2020-10-01 |
KR102604438B1 (ko) | 2023-11-21 |
EP3762730A1 (en) | 2021-01-13 |
CN112204402B (zh) | 2024-05-03 |
WO2019173407A1 (en) | 2019-09-12 |
US20190272887A1 (en) | 2019-09-05 |
EP3762730A4 (en) | 2021-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7343911B2 (ja) | 結合および活性予測を強化するための機械学習および分子シミュレーションに基づく方法 | |
Roth et al. | Discovery of new GPCR ligands to illuminate new biology | |
Katsila et al. | Computational approaches in target identification and drug discovery | |
Bikadi et al. | Predicting P-glycoprotein-mediated drug transport based on support vector machine and three-dimensional crystal structure of P-glycoprotein | |
Klebe | Virtual ligand screening: strategies, perspectives and limitations | |
Gong et al. | Understanding membrane protein drug targets in computational perspective | |
Spitaleri et al. | Fast dynamic docking guided by adaptive electrostatic bias: The MD-binding approach | |
Creanza et al. | Structure-based prediction of hERG-related cardiotoxicity: A benchmark study | |
Cao et al. | Genome-scale screening of drug-target associations relevant to Ki using a chemogenomics approach | |
Gowthaman et al. | Structural properties of non-traditional drug targets present new challenges for virtual screening | |
Babcock et al. | Deorphanizing the human transmembrane genome: A landscape of uncharacterized membrane proteins | |
Serohijos et al. | Structural basis for μ-opioid receptor binding and activation | |
Ru et al. | Exploration of the correlation between GPCRs and drugs based on a learning to rank algorithm | |
Torkamannia et al. | A review of machine learning approaches for drug synergy prediction in cancer | |
Zhang et al. | A two-step target binding and selectivity support vector machines approach for virtual screening of dopamine receptor subtype-selective ligands | |
Fassio et al. | Prioritizing virtual screening with interpretable interaction fingerprints | |
Leonis et al. | Elucidation of conformational states, dynamics, and mechanism of binding in human κ-opioid receptor complexes | |
Szwabowski et al. | Application of computational methods for class A GPCR Ligand discovery | |
Nunez et al. | Assessment of a novel scoring method based on solvent accessible surface area descriptors | |
Tripathi et al. | Structural insights into the molecular design of HER2 inhibitors | |
Roy | Cheminformatics, QSAR and Machine Learning Applications for Novel Drug Development | |
JP2021500661A (ja) | 誘導適合効果の計算 | |
Liu et al. | Using Deep Belief Network and Computational Methods to Improve Opioid Receptor Biological Activity Prediction, Novel Agonists and Antagonists, Structural Modeling | |
Ray et al. | Data-driven classification of ligand unbinding pathways | |
Szwabowski et al. | Structure-based pharmacophore modeling 2. Developing a novel framework for structure-based pharmacophore model generation and selection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220304 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230201 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230131 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230501 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230808 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230825 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7343911 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |