JPWO2007139037A1 - 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 - Google Patents
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 Download PDFInfo
- Publication number
- JPWO2007139037A1 JPWO2007139037A1 JP2008517917A JP2008517917A JPWO2007139037A1 JP WO2007139037 A1 JPWO2007139037 A1 JP WO2007139037A1 JP 2008517917 A JP2008517917 A JP 2008517917A JP 2008517917 A JP2008517917 A JP 2008517917A JP WO2007139037 A1 JPWO2007139037 A1 JP WO2007139037A1
- Authority
- JP
- Japan
- Prior art keywords
- chemical substance
- space
- group
- data processing
- chemical
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- 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
- G16B35/00—ICT specially adapted for in silico combinatorial libraries of nucleic acids, proteins or peptides
-
- 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
- G16B35/00—ICT specially adapted for in silico combinatorial libraries of nucleic acids, proteins or peptides
- G16B35/20—Screening of libraries
-
- 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
-
- 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
- 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
- G16C20/50—Molecular design, e.g. of drugs
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Biotechnology (AREA)
- Computing Systems (AREA)
- Library & Information Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Crystallography & Structural Chemistry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Medicinal Chemistry (AREA)
- Bioethics (AREA)
- Biochemistry (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Public Health (AREA)
- Epidemiology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Pharmacology & Pharmacy (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
Description
あったが、本手法はタンパク質群と化合物群を同時に統計処理することにより、予測性能の著しい向上に成功した技術である。
を特定し、ライブラリー構築を行うことを記載している。しかし、この方法は、ケミカル情報(構造活性相関情報、ファルマコフォア情報など)のみを用いてケミカル空間を定義しているに過ぎない。しかし、この方法では、主成分分析(PCA)が用いられている。
日経産業新聞2004年11月29日 Yoshifumi Fukunishi, Yoshiaki Mikami, and Haruki Nakamura "Thefillingpotential method:A methodfor estimating the free energy surfaceforprotein-liganddocking" J.Phys. Chem. B. (2003) 107, 13201-13210. Shoichet, B.K.,D.L. Bodian,and I.D. Kuntz, "Molecular docking usingshapedescriptors."J.Comp. Chem., 1992. 13(3), 380-397. Jones G, WillettP, Glen RC, Leach AR,Taylor R. "Developmentand validation ofa geneticalgorithm for flexible docking." J Mol Biol.1997.267(3):727-748. Rarey M, KramerB,Lengauer T. "Time-efficient docking of flexibleligands intoactive sites ofproteins." Proc Int Conf IntellSyst Mol Biol.1995;3:300-308. Okuno, Y.,Yang,J., Taneishi, K., Yabuuchi,H., Tsujimoto, G, "GLIDA:GPCR-Liganddatabasefor Chemical Genomic Drug Discovery" Nucleic AcidsResearch,34,D673-677, 2006 "Chemical Space", Nature, 432 No 7019 (Insight) 823-865
(1)第1の化学物質の空間座標のデータベースにより定義される第1空間と、第2の化学物質の空間座標のデータベースにより定義される第2空間とを備えるデータ構造物であって、第1の化学物質は、第1の特徴量により特徴付けられ、第2の化学物質は、第2の特徴量により特徴付けられる、データ構造物。
(2)上記第1の特徴量と上記第2の特徴量とは互いに単純な関連が見られないことを特徴とする、項目1に記載のデータ構造物。
(3)上記第1の特徴量は、上記第1の化学物質の化学特性であり、上記第2の特徴量は、上記第2の化学物質の生物活性である、項目1に記載のデータ構造物。
(4)上記第1の化学物質は化合物であり、上記第2の化学物質は、生体物質である、項目1に記載のデータ構造物。
(5)上記生体物質は、核酸、ペプチドまたはポリペプチドまたはタンパク質、サッカリドまたはポリサッカリド、脂質、およびそれらの複合体からなる群より選択される、項目4に記載のデータ構造物。
(6)上記生体物質の空間座標は配列情報、二次構造、三次構造、四次構造、立体構造情報、発現情報、パスウェイ情報、機能情報および生物活性情報からなる群より選択される少なくとも1種類の情報により定義される、項目4に記載のデータ構造物。
(7)上記第1空間と上記第2空間との相関が最大になるように上記第1空間の座標およ
び上記第2空間の座標が定義される、項目1に記載のデータ構造物。
(8)上記第1空間と上記第2空間とは、多変量解析手法、機械学習法およびそれらの等価方法からなる群より選択される手法によって定義されることを特徴とする、項目1に記載のデータ構造物。
(9)上記多変量解析手法は、正準相関分析(CCA)およびカーネル正準相関分析(kernel CCA)からなる群より選択される、項目8に記載のデータ構造物。
(10)上記機械学習法は、サポートベクターマシン(SVM)法を含む、項目8に記載のデータ構造物。
(11)上記第1化学物質の空間座標は、ケミカル情報および化学特性からなる群より選択される情報によって定義される、項目1に記載のデータ構造物。
(12)上記ケミカル情報は、化合物記述子によって定義される、項目9に記載のデータ構造物。
(13)上記化合物記述子は、一次元記述子、二次元記述子および三次元記述子からなる群より選択される、項目12に記載のデータ構造物。
(14)上記化合物記述子は、一次元記述子であり、上記一次元記述子は、化学組成を記述することを特徴とする、項目12に記載のデータ構造物。
(15)上記化合物記述子は、二次元記述子であり、上記二次元記述子は、化学トポロジーを記述することを特徴とする、項目12に記載のデータ構造物。
(16)上記化合物記述子は、三次元記述子であり、上記三次元記述子は、三次元形状および官能性からなる群より選択される特徴を記述することを特徴とする、項目12に記載のデータ構造物。
(17)上記化合物記述子は、ファルマコフォアである、項目12に記載のデータ構造物。
(18)上記化合物記述子は、ファルマコフォアであり、上記ファルマコフォアは、少なくとも3つの空間的に離れたファルマコフォア中心を含み、各ファルマコフォア中心は、
(i)空間位置と、
(ii)ある化学特性を特定する所定のファルマコフォア型と、を含み、基本セットのファルマコフォア型には、少なくとも、水素結合受容体、水素結合供与体、負電荷中心、正電荷中心、疎水性中心、芳香族中心、ならびに他のいずれのファルマコフォアの型にも入らないデフォルトカテゴリが含まれる、項目12に記載のデータ構造物。
(19)上記空間位置を、隣接するファルマコフォア中心間の隔絶距離あるいは隔絶距離範囲として与える、項目18に記載のデータ構造物。
(20) 所望の特性を有する化学物質を生産する方法であって、
A)第1の化学物質の空間座標のデータベースにより定義される第1空間に包含される第1の化学物質群を提供する工程と、
B)第2の化学物質の空間座標のデータベースにより定義される第2空間に包含される第2の化学物質群を提供する工程であって、第1の化学物質は、第1の特徴量により特徴付けられ、第2の化学物質は、第2の特徴量により特徴付けられる、工程と、
C)第2の特徴量において所望の特性を選択する工程と、
D)上記選択された所望の特性を有する第2の化学物質の、第2空間における目的領域を算出する工程と、
E)上記目的領域と所定の距離以下に存在する第1空間の標的領域を算出する工程と、
F)上記第1空間の標的領域に存在する化学物質を選択する工程と、
を包含する、方法。
(21)サンプルデータを用いて上記第1空間と第2空間とを相関させるようトレーニングすること工程をさらに包含する、項目20に記載の方法。
(22)上記トレーニングにより、行列Aと行列Bを生成し、第一モダリティの第一空間を表わすXAと第二モダリティの第一空間を表わすYBとの間の相関は最大となり、これにより、上記第一モダリティから第二モダリティへの特徴の移転が可能となり、上記移転は、行列X、Yの行には化学物質のエントリーが、列には化学物質情報が並ぶ2種の異質な
データ(例えば化合物とタンパク質)を行列X,Y(第一空間が行列X、第二空間が行列Y)
と表現したとき、
相関係数
ここで
(23)上記正準相関解析において、XとYの特異値分解を行い、
ただし、A,B,F,Gは、
(24)
上記第一空間を表わすXAのクエリは、上記第二空間を表わすYBの上記クエリの結果のみが与えられると、YBはXAと最大の相関を有することから特定可能であることを特徴とする項目19に記載の方法。
(25)上記工程A)〜F)を機械学習法によって自動的に行うことを包含する、項目20に記載の方法。
(26)上記機械学習法は、SVM法によって達成される、項目25に記載の方法。
(27) 上記機械学習法において、
G1)既知の第1化学物質と第2化学物質との結合データを機械学習アルゴリズムにトレーニングさせる工程;
G2)問い合わせとなる第1化学物質と第二化学物質との問い合わせペアを、第1の化学物質の空間座標のデータベースおよび第2の化学物質の空間座標のデータベースによって構築された空間モデルにおいてマッピングする工程;および
G3)上記問い合わせペアが、空間エリア内に存在する場合、第1化学物質と第二化学物質とが結合すると判定し、空間エリア内に存在しない場合、第1化学物質と第二化学物質とが結合しないと判定する工程を包含する、
項目25に記載の方法。
(28)上記第1の特徴量と上記第2の特徴量とは互いに相関しないことを特徴とする、項目20に記載の方法。
(29)上記第1の特徴量は、上記第1の化学物質の化学特性であり、上記第2の特徴量は、上記第2の化学物質の生物活性である、項目20に記載の方法。
(30)上記第1の化学物質は化合物であり、上記第2の化学物質は、生体物質である、項目20に記載の方法。
(31)上記生体物質は、核酸、ペプチドまたはポリペプチドまたはタンパク質、サッカリドまたはポリサッカリド、脂質、およびそれらの複合体からなる群より選択される、項目30に記載の方法。
(32)上記生体物質の空間座標は配列情報、二次構造、三次構造、四次構造、立体構造情報、発現情報、パスウェイ情報、機能情報および生物活性情報からなる群より選択される少なくとも1種類の情報により定義される、項目30に記載の方法。
(33)上記第1の特徴量は、上記第1の化学物質の生物特性であり、上記第2の特徴量は、上記第2の化学物質の化学活性である、項目20に記載の方法。
(34)上記第2の化学物質は化合物であり、上記第1の化学物質は、生体物質である、項目20に記載の方法。
(35)上記生体物質は、核酸、ペプチドまたはポリペプチドまたはタンパク質、サッカリドまたはポリサッカリド、脂質、およびそれらの複合体からなる群より選択される、項目34に記載の方法。
(36)上記生体物質の空間座標は配列情報、二次構造、三次構造、四次構造、立体構造情報、発現情報、パスウェイ情報、機能情報および生物活性情報からなる群より選択される少なくとも1種類の情報により定義される、項目30に記載の方法。
(37)上記第1空間と第2空間との相関が最大になるように上記第1座標および上記第2座標が定義される、項目20に記載の方法。
(38)上記第1空間と上記第2空間とは、多変量解析手法、機械学習法およびそれらの等価方法からなる群より選択される手法によって定義されることを特徴とする、項目20に記載の方法。
(39)上記多変量解析手法は、正準相関分析(CCA)およびカーネル正準相関分析(kernel CCA)からなる群より選択される、項目38に記載の方法。
(40)上記機械学習法は、サポートベクターマシン(SVM)法を含む、項目38に記載の方法。
(41)さらに、多変量解析手法、機械学習法または等価方法のうち2つ以上を組み合わせて適用することを特徴とする、項目38に記載の方法。
(42)上記相関は、上記目的領域と上記標的領域との間の相関である、項目20に記載の方法。
(43)さらに、上記選択された化学物質をインシリコで生産する工程を包含する、項目20に記載の方法。
(44)さらに、上記選択された化学物質をウェットで生産する工程を包含する、項目20に記載の方法。
(45)上記ウェットでの生産は、コンビナトリアルケミストリを用いて達成される、項目44に記載の方法。
(46)上記ウェットでの生産は、遺伝子組み換え技術を用いて達成される、項目44に記載の方法。
(47)さらに、上記第1空間の化学物質の選択の後、上記第1空間の化学物質の上記第2の特徴量を測定して、実際に所望の活性を有する化学物質を選択する工程をさらに包含する、項目20に記載の方法。
(48)上記化学物質の選択工程において、上記化学物質を上記第2の特徴量に基づいてスコア付けすることを特徴とする、項目20に記載の方法。
(49)上記生体物質の空間座標は配列情報、二次構造、三次構造、四次構造、立体構造情報、発現情報、パスウェイ情報、機能情報および生物活性情報からなる群より選択される少なくとも1種類の情報により定義される、項目20に記載の方法。
(50)上記第1化学物質の空間座標は、ケミカル情報または化学特性によって定義される、項目20に記載の方法。
(51)上記ケミカル情報は、化合物記述子によって定義される、項目50に記載の方法。
(52)上記化合物記述子は、一次元記述子、二次元記述子および三次元記述子からなる群より選択される、項目51に記載の方法。
(53)上記化合物記述子は、一次元記述子であり、上記一次元記述子は、化学組成を記述することを特徴とする、項目51に記載の方法。
(54)上記化合物記述子は、二次元記述子であり、上記二次元記述子は、化学トポロジーを記述することを特徴とする、項目51に記載の方法。
(55)上記化合物記述子は、三次元記述子であり、上記三次元記述子は、三次元形状および官能性からなる群より選択される特徴を記述することを特徴とする、項目51に記載の方法。
(56)上記化合物記述子は、ファルマコフォアである、項目51に記載の方法。
(57)上記第1化学物質は、ファルマコフォアであり、上記ファルマコフォアは、少なくとも3つの空間的に離れたファルマコフォア中心を含み、各ファルマコフォア中心は、
(i)空間位置と、
(ii)ある化学特性を特定する所定のファルマコフォア型と、を含み、基本セットのファルマコフォア型には、少なくとも、水素結合受容体、水素結合供与体、負電荷中心、正電荷中心、疎水性中心、芳香族中心、ならびに他のいずれのファルマコフォアの型にも入らないデフォルトカテゴリが含まれる、項目20に記載の方法。
(58)上記空間位置を、隣接するファルマコフォア中心間の隔絶距離あるいは隔絶距離範囲として与える、項目57に記載の方法。
(59)項目20〜58のいずれか1項に記載の方法によって生産された化学物質。
(60)化合物ライブラリーを生産する方法であって、
A)第1の化学物質の空間座標のデータベースにより定義される第1空間に包含される第1の化学物質群を提供する工程と、
B)第2の化学物質の空間座標のデータベースにより定義される第2空間に包含される第2の化学物質群を提供する工程であって、第1の化学物質は、第1の特徴量により特徴付けられ、第2の化学物質は、第2の特徴量により特徴付けられる、工程と、
C)第2の特徴量において所望の特性を選択する工程と、
D)上記選択された所望の特性を有する第2の化学物質の、第2空間における目的領域を算出する工程と、
E)上記目的領域と所定の距離以下に存在する第1空間の標的領域を算出する工程と、
F)上記第1空間の標的領域に存在する複数の化学物質を選択して所望の特性を有するライブラリーを生産する工程と
を包含する、方法。
(61)項目21〜59のいずれか1項に記載の特徴を有する、項目60に記載の方法。
(62)項目60または61に記載の方法によって生産されたライブラリー。
(63) 所望の特性を有する化学物質を生産する方法をコンピュータに実行させるプログラムであって、上記方法は:
A)第1の化学物質の空間座標のデータベースにより定義される第1空間に包含される第1の化学物質群を提供する工程と、
B)第2の化学物質の空間座標のデータベースにより定義される第2空間に包含される第2の化学物質群を提供する工程であって、第1の化学物質は、第1の特徴量により特徴付けられ、第2の化学物質は、第2の特徴量により特徴付けられる、工程と、
C)第2の特徴量において所望の特性を選択する工程と、
D)上記選択された所望の特性を有する第2の化学物質の、第2空間における目的領域を算出する工程と、
E)上記目的領域と所定の距離以下に存在する第1空間の標的領域を算出する工程と、
F)上記第1空間の標的領域に存在する化学物質を選択する工程と、
を包含する、
プログラム。
(64) 所望の特性を有する化学物質を生産する方法をコンピュータに実行させるプログラムを格納したコンピュータ読み出し可能な記録媒体であって、上記方法は:
A)第1の化学物質の空間座標のデータベースにより定義される第1空間に包含される第1の化学物質群を提供する工程と、
B)第2の化学物質の空間座標のデータベースにより定義される第2空間に包含される第2の化学物質群を提供する工程であって、第1の化学物質は、第1の特徴量により特徴付けられ、第2の化学物質は、第2の特徴量により特徴付けられる、工程と、
C)第2の特徴量において所望の特性を選択する工程と、
D)上記選択された所望の特性を有する第2の化学物質の、第2空間における目的領域を算出する工程と、
E)上記目的領域と所定の距離以下に存在する第1空間の標的領域を算出する工程と、
F)上記第1空間の標的領域に存在する化学物質を選択する工程と、
を包含する、
記録媒体。
(65)第1の化学物質の空間座標のデータベースにより定義される第1空間と、第2の化学物質の空間座標のデータベースにより定義される第2空間とを備えるデータ構造物であって、第1の化学物質は、第1の特徴量により特徴付けられ、第2の化学物質は、第2の特徴量により特徴付けられる、データ構造物が記録された記録媒体。
(66) 所望の特性を有する化学物質を生産するシステムであって、上記システムは:
A)第1の化学物質の空間座標のデータベースにより定義される第1空間に包含される第1の化学物質群と、
B)第2の化学物質の空間座標のデータベースにより定義される第2空間に包含される第2の化学物質群であって、第1の化学物質は、第1の特徴量により特徴付けられ、第2の化学物質は、第2の特徴量により特徴付けられる、第2の化学物質群と、
C)第2の特徴量において所望の特性を選択する手段と、
D)上記選択された所望の特性を有する第2の化学物質の、第2空間における目的領域を算出する手段と、
E)上記目的領域と所定の距離以下に存在する第1空間の標的領域を算出する手段と、
F)上記第1空間の標的領域に存在する化学物質を選択する手段と、
G)上記選択された化学物質を生産する手段と
を備える、システム。
(67) 所望の特性を有する化学物質をスクリーニングするシステムであって、上記システムは:
A)第1の化学物質の空間座標のデータベースにより定義される第1空間に包含される第1の化学物質群と、
B)第2の化学物質の空間座標のデータベースにより定義される第2空間に包含される第2の化学物質群であって、第1の化学物質は、第1の特徴量により特徴付けられ、第2の化学物質は、第2の特徴量により特徴付けられる、第2の化学物質群と、
C)第2の特徴量において所望の特性を選択する手段と、
D)上記選択された所望の特性を有する第2の化学物質の、第2空間における目的領域を算出する手段と、
E)上記目的領域と所定の距離以下に存在する第1空間の標的領域を算出する手段と、
F)上記第1空間の標的領域に存在する化学物質を選択する手段と、
を備える、システム。
(68)化学物質ライブラリーを作成する方法であって、
A)第1の化学物質の空間座標のデータベースにより定義される第1空間を特定する工程、
B)少なくとも1つの特性が既知の第2の化学物質の空間座標のデータベースにより定義される第2空間を特定する工程であって、ここで、第1の化学物質は、第1の特徴量により特徴付けられ、第2の化学物質は、第2の特徴量により特徴付けられる工程、
C)上記第1空間と上記第2空間との相関が最大になるように上記第1空間の座標を定義しなおす工程、
D)上記定義しなおした第1空間を新たな化学物質ライブラリーとして生成する工程、を包含する、方法。
(69) 第1の化学物質群と第2の化学物質群との間の相互作用パターンを統計モデルとして定義するデータ処理方法であって、
第1の化学物質群の空間座標を表す第1空間と、第2の化学物質群の空間座標を表す第2空間とを定義し、第1の化学物質群は、第1の特徴量により特徴付けられ、第2の化学物質群は、第2の特徴量により特徴付けられ、
(I)第1の化学物質群は化合物であり、該第2の化学物質群は、核酸またはタンパク質あるいはそれらの複合体であり、かつ
該第1の特徴量は、該第1の化学物質の1種類以上の化学物質情報からなるベクトルとして表現され、該第2の特徴量は、該第2の化学物質群の1種類以上の生物学的情報からなるベクトルとして表現される場合、あるいは
(II)第1の化学物質群は核酸またはタンパク質あるいはそれらの複合体であり、該第2の化学物質群は、化合物であり、かつ
該第1の特徴量は、該第1の化学物質群の1種類以上の生物学的情報からなるベクトルとして表現され、該第2の特徴量は、該第2の化学物質の1種類以上の化学物質情報からなるベクトルとして表現される場合において、
該第1空間と該第2空間とは、多変量解析手法、機械学習法およびそれらの等価方法からなる群より選択される手法によって写像変換される、データ処理方法であって、
前記第1空間と前記第2空間との相関が最大になるように、多変量解析手法、機械学習法およびそれらの等価方法からなる群より選択される手法によって、該第1空間の座標および該第2空間の座標が写像変換され、変換後の第1空間座標と変換後の第2空間座標を定義する、
ことを特徴とするデータ処理方法。
(70) 項目69に記載のデータ処理方法において、第1の化学物質と第2の化学物質との間の相互作用を予測するデータ処理方法であって、
A)相互作用することが既知である第1の化学物質群と第2の化学物質群について、項目69に記載のデータ処理方法によって、第1の化学物質群の空間座標を表す第1空間と第2の化学物質群の空間座標を表す第2空間とが写像変換される工程と、
B)相互作用の予測対象となる第1の化学物質の第1の特徴量からなるベクトルを該写像変換することによって第1の化学物質を変換後の第1空間へとマッピングする工程と、相互作用の予測対象となる第2の化学物質の第2の特徴量からなるベクトルを該写像変換することによって第2の化学物質を変換後の第2空間へとマッピングする工程と
C)相互作用の予測対象となる第1の化学物質の変換後の座標位置と相互作用の予測対象となる第2の化学物質の変換後の座標位置とによって、予測対象となる第1の化学物質と第2の化学物質とが相互作用する確率をスコアとして算出する工程と、
D)特定のスコア以上を有する第1の化学物質と第2の化学物質を出力する工程と、
を包含する、
データ処理方法。
(71) 項目69に記載のデータ処理方法において、所望の特徴量を有する化学物質またはライブラリーを生産するデータ処理方法であって、
A)相互作用することが既知である第1の化学物質群と第2の化学物質群について、項目69に記載のデータ処理方法によって、第1の化学物質群の空間座標を表す第1空間と第2の化学物質群の空間座標を表す第2空間とが写像変換される工程と、
B)第1の化学物質群の第1の特徴量からなるベクトルを該写像変換することによって第1の化学物質群を変換後の第1空間へとマッピングする工程と、第2の化学物質群の第2の特徴量からなるベクトルを該写像変換することによって第2の化学物質群を変換後の第2空間へとマッピングする工程と
C)第1の化学物質群の変換後の座標位置と第2の化学物質群の変換後の座標位置とによって、第1の化学物質群と第2化学物質群とが相互作用する確率をスコアとして算出する工程と、
D)第2の特徴量において所望の特徴量を選択する工程と、
E)該選択された所望の特徴量を有する第2の化学物質群の、変換後の第2空間における目的領域を算出する工程と、
F)該目的領域内に存在する第2の化学物質群と所定のスコア以上を示す変換後の第1空間の標的領域を算出する工程と、
G)該標的領域に存在する第1の化学物質または化学物質群を選択する工程と、
を包含する、
データ処理方法。
(72) 第1の化学物質群と第2の化学物質群との間の相互作用パターンを統計モデルとして定義するデータ処理方法であって、
第1の化学物質と第2の化学物質のペアが、第1の化学物質の第1の特徴量と第2の化学物質の第2の特徴量とを連結したベクトルとして表現され、
(I)該第1の化学物質は化合物であり、該第2の化学物質は、核酸またはタンパク質あるいはそれらの複合体であり、
該第1の特徴量は、該第1の化学物質の1種類以上の化学物質情報からなるベクトルとして表現され、該第2の特徴量は、該第2の化学物質群の1種類以上の生物学的情報からなるベクトルとして表現される場合、あるいは
(II)第1の化学物質群は核酸またはタンパク質あるいはそれらの複合体であり、該第2の化学物質群は、化合物であり、かつ
該第1の特徴量は、該第1の化学物質群の1種類以上の生物学的情報からなるベクトルとして表現され、該第2の特徴量は、該第2の化学物質の1種類以上の化学物質情報からなるベクトルとして表現される場合において、
第1の化学物質の第1の特徴量と第2の化学物質の第2の特徴量とを連結したベクトルは、多変量解析手法、機械学習法およびそれらの等価方法からなる群より選択される手法によって特徴空間へと写像変換される
データ処理方法。
(73) 項目72に記載のデータ処理方法において、第1の化学物質と第2の化学物質との間の相互作用を予測するデータ処理方法であって、
A)所望の相互作用情報を有する第1の化学物質群と第2の化学物質群のペアについて、項目72に記載のデータ処理方法によって、第1の化学物質の第1の特徴量と第2の化学物質の第2の特徴量とを連結したベクトルを、特徴空間へと写像変換する工程と、
B)予測対象となる第1の化学物質の第1の特徴量と予測対象となる第2の化学物質の第2の特徴量とを述結したベクトルを該写像変換することによって特徴空間へとマッピングする工程と
C)予測対象となる第1の化学物質と予測対象となる第2の化学物質の特徴空間上での座標位置とによって、予測対象となる第1の化学物質と第2化学物質とが所望の相互作用する確率をスコアとして算出する工程と、
D)特定のスコア以上を有する第1の化学物質と第2の化学物質を出力する工程と、
を包含し、
相互作用情報は、結合の有・無、結合活性、薬理活性からなる群より選択される少なくとも1種類の情報により定義される、データ処理方法。
(74) 項目72に記載のデータ処理方法において、所望の特徴量を有する化学物質またはライブラリーを生産するデータ処理方法であって、
A)所望の相互作用情報を有する第1の化学物質群と第2の化学物質群のペアについて、項目72に記載のデータ処理方法によって、第1の化学物質の第1の特徴量と第2の化学物質の第2の特徴量とを連結したベクトルを、特徴空間へと写像変換する工程と、
B)第1の化学物質群の第1の特徴量と第2の化学物質群の第2の特徴量とを連結したベクトルを該写像変換することによって特徴空間へとマッピングする工程と
C)第1の化学物質と第2の化学物質の特徴空間上での座標位置とによって、第1の化学物質と第2化学物質とが所望の相互作用する確率をスコアとして算出する工程と、
D)第2の特徴量において所望の特徴量を選択する工程と、
E)該選択された所望の特徴量を有する第2の化学物質群の、変換後の第2空間における目的領域を算出する工程と、
F)該目的領域内に存在する第2の化学物質群と所定のスコア以上を示す変換後の第1空間の標的領域を算出する工程と、
G)該標的領域に存在する第1の化学物質または化学物質群を選択する工程と、
を包含する、
データ処理方法。
(75) 項目69に記載のデータ処理方法を用いて、第1の化学物質と第2の化学物質との間の相互作用を予測するデータ処理装置であって、該データ処理装置は、演算装置を備え、かつ、以下の工程A)〜D)、すなわち、
A)相互作用することが既知である第1の化学物質群と第2の化学物質群について、項目69に記載のデータ処理方法によって、第1の化学物質群の空間座標を表す第1空間と第2の化学物質群の空間座標を表す第2空間とが写像変換される工程と、
B)相互作用の予測対象となる第1の化学物質の第1の特徴量からなるベクトルを該写像変換することによって第1の化学物質を変換後の第1空間へとマッピングする工程と、相互作用の予測対象となる第2の化学物質の第2の特徴量からなるベクトルを該写像変換することによって第2の化学物質を変換後の第2空間へとマッピングする工程と
C)相互作用の予測対象となる第1の化学物質の変換後の座標位置と相互作用の予測対象となる第2の化学物質の変換後の座標位置とによって、予測対象となる第1の化学物質と第2化学物質とが相互作用する確率をスコアとして算出する工程と
D)特定のスコア以上を有する第1の化学物質と第2の化学物質を出力する工程と、
を包含する方法を該演算装置に実行させる、
データ処理装置。
(76) 項目69に記載のデータ処理方法を用いて、所望の特徴量を有する化学物質またはライブラリーを生産するデータ処理装置であって、該データ処理装置は、演算装置を備え、かつ、以下の工程A)〜D)、すなわち、
A)相互作用することが既知である第1の化学物質群と第2の化学物質群について、項目69に記載のデータ処理方法によって、第1の化学物質群の空間座標を表す第1空間と第2の化学物質群の空間座標を表す第2空間とが写像変換される工程と、
B)第1の化学物質群の第1の特徴量からなるベクトルを該写像変換することによって第1の化学物質群を変換後の第1空間へとマッピングする工程と、第2の化学物質群の第2の特徴量からなるベクトルを該写像変換することによって第2の化学物質群を変換後の第2空間へとマッピングする工程と
C)第1の化学物質群の変換後の座標位置と第2の化学物質群の変換後の座標位置とによって、第1の化学物質群と第2化学物質群とが相互作用する確率をスコアとして算出する工程と、
D)第2の特徴量において所望の特徴量を選択する工程と、
E)該選択された所望の特徴量を有する第2の化学物質群の、変換後の第2空間における目的領域を算出する工程と、
F)該目的領域内に存在する第2の化学物質群と所定のスコア以上を示す変換後の第1空間の標的領域を算出する工程と、
G)該標的領域に存在する第1の化学物質または化学物質群を選択する工程と、
を包含する方法を該演算装置に実行させる、
データ処理装置。
(77) 項目72に記載のデータ処理方法を用いて、第1の化学物質と第2の化学物質との間の相互作用を予測するデータ処理装置であって、該データ処理装置は、演算装置を備え、かつ、以下の工程A)〜D)、すなわち、
A)所望の相互作用情報を有する第1の化学物質群と第2の化学物質群のペアについて、項目72に記載のデータ処理方法によって、第1の化学物質の第1の特徴量と第2の化学物質の第2の特徴量とを連結したベクトルを、特徴空間へと写像変換する工程と、
B)予測対象となる第1の化学物質の第1の特徴量と予測対象となる第2の化学物質の第2の特徴量とを連結したベクトルを該写像変換することによって特徴空間へとマッピングする工程と
C)予測対象となる第1の化学物質と予測対象となる第2の化学物質の特徴空間上での座標位置とによって、予測対象となる第1の化学物質と第2化学物質とが所望の相互作用する確率をスコアとして算出する工程と
D)特定のスコア以上を有する第1の化学物質と第2の化学物質を出力する工程と、
を包含する方法を該演算装置に実行させる、データ処理装置であって、
相互作用情報は、結合の有・無、結合活性、薬理活性からなる群より選択される少なくとも1種類の情報により定義される、
データ処理装置。
(78) 項目72に記載のデータ処理方法を用いて、所望の特徴量を有する化学物質またはライブラリーを生産するデータ処理装置であって、該データ処理装置は、演算装置を備え、かつ、以下の工程A)〜G)、すなわち、
A)所望の相互作用情報を有する第1の化学物質群と第2の化学物質群のペアについて、項目72に記載のデータ処理方法によって、第1の化学物質の第1の特徴量と第2の化学物質の第2の特徴量とを連結したベクトルを、特徴空間へと写像変換する工程と、
B)第1の化学物質群の第1の特徴量と第2の化学物質群の第2の特徴量とを連結したベクトルを該写像変換することによって特徴空間へとマッピングする工程と
C)第1の化学物質と第2の化学物質の特徴空間上での座標位置とによって、第1の化学物質と第2化学物質とが所望の相互作用する確率をスコアとして算出する工程と、
D)第2の特徴量において所望の特徴量を選択する工程と、
E)該選択された所望の特徴量を有する第2の化学物質群の、変換後の第2空間における目的領域を算出する工程と、
F)該目的領域内に存在する第2の化学物質群と所定のスコア以上を示す変換後の第1空間の標的領域を算出する工程と、
G)該標的領域に存在する第1の化学物質または化学物質群を選択する工程と、
を包含する、方法を該演算装置に実行させる、
データ処理装置。
(79) 項目69に記載のデ一タ処理方法を用いて、第1の化学物質と第2の化学物質との間の相互作用を予測するデータ処理プログラムであって、工程A)〜D)、すなわち、
A)相互作用することが既知である第1の化学物質群と第2の化学物質群について、項目69に記載のデータ処理方法によって、第1の化学物質群の空間座標を表す第1空間と第2の化学物質群の空間座標を表す第2空間とが写像変換される工程と、
B)相互作用の予測対象となる第1の化学物質の第1の特徴量からなるベクトルを該写像変換することによって第1の化学物質を変換後の第1空聞へとマッピングする工程と、相互作用の予測対象となる第2の化学物質の第2の特徴量からなるベクトルを該写像変換することによって第2の化学物質を変換後の第2空間へとマッピングする工程と
C)相互作用の予測対象となる第1の化学物質の変換後の座標位置と相互作用の予測対象となる第2の化学物質の変換後の座標位置とによって、予測対象となる第1の化学物質と第2化学物質とが相互作用する確率をスコアとして算出する工程と
D)特定のスコア以上を有する第1の化学物質と第2の化学物質を出力する工程と、
を包含する方法を計算機に実行させるための
データ処理プログラム。
(80) 項目69に記載のデータ処理方法を用いて、所望の特徴量を有する化学物質またはライブラリーを生産するデータ処理プログラムであって、以下のA)〜G)、すなわち、
A)相互作用することが既知である第1の化学物質群と第2の化学物質群について、項目69に記載のデータ処理方法によって、第1の化学物質群の空間座標を表す第1空間と第2の化学物質群の空間座標を表す第2空間とが写像変換される工程と、
B)第1の化学物質群の第1の特徴量からなるベクトルを該写像変換することによって第1の化学物質群を変換後の第1空間へとマッピングする工程と、第2の化学物質群の第2の特徴量からなるベクトルを該写像変換することによって第2の化学物質群を変換後の第2空間へとマッピングする工程と
C)第1の化学物質群の変換後の座標位置と第2の化学物質群の変換後の座標位置とによって、第1の化学物質群と第2化学物質群とが相互作用する確率をスコアとして算出する工程と、
D)第2の特徴量において所望の特徴量を選択する工程と、
E)該選択された所望の特徴量を有する第2の化学物質群の、変換後の第2空間における目的領域を算出する工程と、
F)該目的領域内に存在する第2の化学物質群と所定のスコア以上を示す変換後の第1空間の標的領域を算出する工程と、
G)該標的領域に存在する第1の化学物質または化学物質群を選択する工程と、
を包含する方法を計算機に実行させるための
データ処理プログラム。
(81) 項目72に記載のデータ処理方法を用いて、第1の化学物質と第2の化学物質との間の相互作用を予測するデータ処理プログラムであって、以下の工程A)〜D)、すなわち、
A)所望の相互作用情報を有する第1の化学物質群と第2の化学物質群のペアについて、項目72に記載のデータ処理方法によって、第1の化学物質の第1の特徴量と第2の化学物質の第2の特徴量とを連結したベクトルを、特徴空間へと写像変換する工程と、
B)予測対象となる第1の化学物質の第1の特徴量と予測対象となる第2の化学物質の第2の特徴量とを連結したベクトルを該写像変換することによって特徴空間へとマッピングする工程と
C)予測対象となる第1の化学物質と予測対象となる第2の化学物質の特徴空間上での座標位置とによって、予測対象となる第1の化学物質と第2化学物質とが所望の相互作用する確率をスコアとして算出する工程と
D)特定のスコア以上を有する第1の化学物質と第2の化学物質を出力する工程と、
を包含する方法を計算機に実行させるためのデータ処理プログラムであって、
相互作用情報は、結合の有・無、結合活性、薬理活性からなる群より選択される少なくとも1種類の情報により定義される、
データ処理プログラム。
(82) 項目72に記載のデータ処理方法を用いて、所望の特徴量を有する化学物質またはライブラリーを生産するデータ処理プログラムであって、以下の工程A)〜G)、すなわち、
A)所望の相互作用情報を有する第1の化学物質群と第2の化学物質群のペアについて、項目72に記載のデータ処理方法によって、第1の化学物質の第1の特徴量と第2の化学物質の第2の特徴量とを連結したベクトルを、特徴空間へと写像変換する工程と、
B)第1の化学物質群の第1の特徴量と第2の化学物質群の第2の特徴量とを連結したベクトルを該写像変換することによって特徴空間へとマッピングする工程と
C)第1の化学物質と第2の化学物質の特徴空間上での座標位置とによって、第1の化学物質と第2化学物質とが所望の相互作用する確率をスコアとして算出する工程と、
D)第2の特徴量において所望の特徴量を選択する工程と、
E)該選択された所望の特徴量を有する第2の化学物質群の、変換後の第2空間における目的領域を算出する工程と、
F)該目的領域内に存在する第2の化学物質群と所定のスコア以上を示す変換後の第1空間の標的領域を算出する工程と、
G)該標的領城に存在する第1の化学物質または化学物質群を選択する工程と、
を包含する方法を計算機に実行させるための
データ処理プログラム。
(83) 項目79〜82のいずれか1項に記載のデータ処理プログラムを格納したコンピュータ読み取り可能な記録媒体。
(84) 項目79〜82のいずれか1項に記載のデータ処理プログラムを備え、該データ処理プログラムによって予測、或いは生産された、或いは項目75〜78のいずれか1項に記載のデータ処理装置によって予測、或いは生産された化学物質および化学物質群を化学合成する、化学合成装置。
(85) 項目79〜82のいずれか1項に記載のデータ処理プログラムを備え、該データ処理プログラムによって予測された、第1空間の化学物質群を化学合成した後、該第1空間の化学物質の前記第2の特徴量を測定して、実際に所望の活性を有する化学物質を選択する手段を備える、スクリーニング装置。
(86) 項目79〜82に記載のデータ処理プログラム、または項目83に記載のコンピュータ読み取り可能な記録媒体、および項目16または17に記載の装置を使用することにより実行された方法によって生産された化学物質。
1)化合物ライブラリーの生物活性に基づく合理的設計が実現できる。
2)従来法よりも性能の良いリード化合物探索ができる。
以下に本明細書において特に使用される用語の定義を列挙する。
純粋物質といってもよい。通常、各元素の組成比は一般に定比例の法則に従って一定であるが、不定比化合物のように組成比がある範囲で連続的に変化しても安定な結晶をつくるものもまた、本明細書において化合物の範疇に入れる。本明細書において「化合物種」とは、ある化合物の集合において、特定の目的とする活性を有するなど、所望の性質を有する1種の化合物についていう。例えば、ある生体物質の活性を調節する化合物の集合において、ある生体物質の活性を調節する化合物が特定される場合、そのような単一の化合物は、化合物種と称され得る。本明細書では、単に化合物とも称される。
。数量分類学において,対象とする二つの操作的分類単位(OTU)間の類似係数(類似の程度)によって表現することができる。従って、相関分析とは、対のデータに基づいて相関の有無を検証し,あるいは相関の大きさを推定したりする統計方法のことである。とくに一方が増すと他方も増す場合に正の相関が,この逆の場合に負の相関があるという。データを2次元平面にプロットしたものを散布図という。
et al.,J.Chem.Inf.Comput.Sci.,1999,39,569;R.D.Brown,Perspectives in Drug Discovery and Design,1997,7/8,31参照。以上は先に本明細書に参考文献として援用する。R.D.Brown et al.,J.Chem.Inf.Comput.Sci.1996,36,572;R.D.Brown et al.,J.Chem.Inf.Comput.Sci.1996,37,1;D.E.Patterson et al.,J.Med.Chem.1996,39,3049;S.K.Kearsley et al.,J.Chem.Inf.Comput.Sci.1996,36,118参照。以上を本明細書に参考文献として援用する)。1次元(1D)特性は、分子量やclogP等の全体的な分子特性をあらわす。2次元特性(2D)には、分子の機能性や結合性が含まれる。2D記述子の実例としては、MDLサブストラクチャーキー(MDL Information SystemsInc.,14600 Catalina St.,San Leandro,CA 94577)(M.J.McGregor et al.,J.Chem.Inf.Comput.Sci.,1997,37,443参照。これを本明細書に参考文献として援用する)やMSI50記述子(Molecular Simulations Inc.,9685 Scranton Road,San Diego,CA 92121−3752)が挙げられる。例えば、薬剤化合物に対する要件を特定する際に有用な、周知の5つの法則(rule of five)は、1次元記述子及び2次元記述子から導かれる(C.A.Lipinski et al.,Advanced Drug Delivery Reviews,1997,23,3参照。これを本明細書に参考文献として援用する)。
本明細書において「表示」、「ディスプレイ」および「提示」とは、交換可能に用いられ、ある信号を感覚器官(例えば、視覚、聴覚、嗅覚など)によって知覚されるように変換して表現することをいう。代表的には、視覚的に表示することが挙げられ、ディスプレイとは、特に限定的な意味で用いる場合、視覚的に信号を表示する手段をさす。従って、「表示」、「ディスプレイ」および「提示」とは、本発明の方法に従って得られたディスクリプタまたはそれに由来する情報を直接または間接的にあるいは情報処理をした形態で具現化することをいう。そのような表示の形態としては、グラフ、写真、表、アニメーションなど種々の方法があり、限定されない。そのような技術としては、例えば、METHODS IN CELL BIOLOGY,VOL. 56,ed. 1998,pp:185−215、A High−Resolusion Multimode Digital Microscope System(Sluder & Wolf、Salmon)において、顕微鏡を自動化し、カメラを制御するためのアプリケーションソフトウェアとともに、自動光学顕微鏡の顕微鏡、カメラ、Z軸フォーカス装置を含む、ハードウェアシステムの設計について議論されており、本発明において利用することができる。カメラによるイメージ取得は、Inoue and Spring,Video Miroscopy,2d.Edition,1997に詳細に記載されており、本明細書において参考文献として援用される。
tet、Sweden)、ImageMagic(John Chrysty)、RasMol(University of Massachusetts,Amherst MA USA)などがあるがそれらに限定されない。そのようなプログラムは、原子座標のデータを用いてモデルを生成することができる。
al.,J.Comput.Aided Mo.Des.,1995,9,373;J.S.Mason et al.,Perspective in Drug Discovery and Design,1997,7/8/,85;S.D.Pickett et al.,J.Chem.Inf.Comput.Sci.,1998,38,144;S.D.Pickett etal.,J.Chem.Inf.Comput.Sci.,1996,36,1214;C.M.Murray et al.,J.Chem.Inf.Comput.Sci.,1999,39,46;J.S.Mason et al.,J.Med.Chem.,1999,39,46;S.D.Pickett etal.,J.Chem.Inf.Comput.Sci.,1998,38,144;R.Nilakantan et al.,J.Chem.Inf.Comput.Sci.,1993,33,79 に詳述されている。また、構造活性相関への適用に関しては、X.Chen et al.,J.Chem.Inf.Comput.Sci.,1998,38,1054に報告されている。以上の各々を本明細書に参考文献として援用する。
Biology of the Cell(第3版、1994)、ならびに、CantorおよびSchimmel、Biophysical Chemistry Part
I:The Conformation of Biological Macromolecules(1980)を参照。「一次構造」とは、特定のペプチドのアミノ酸配列をいう。「二次構造」とは、ポリペプチド内の局所的に配置された三次元構造をいう。これらの構造はドメインとして一般に公知である。ドメインは、ポリペプチドの緻密単位を形成し、そして代表的には50〜350アミノ酸長であるそのポリペプチドの部分である。代表的なドメインは、βシート(βストランドなど)およびα−ヘリックスのストレッチ(stretch)のような、部分から作られる。「三次構造」とは、ポリペプチドモノマーの完全な三次元構造をいう。「四次構造」とは、独立した三次単位の非共有的会合により形成される三次元構造をいう。異方性に関する用語は、エネルギー分野において知られる用語と同様に使用される。
to Macromolecule−Ligand Interactions」,J.Mol.Biol.,161,269−288頁(1982))。DOCKは、University of California,San Francisco,CAから入手可能である。
本発明における、「写像変換」とは、集合X(本発明では化学物質の集合)の要素が任意に与えられたとき、関数fによって集合Yの要素がひとつ対応づけられていることを「集合Xから集合Yへの写像」と表現し、関数fによって集合Xから集合Yへと移行することを「写像変換」という。
また本発明における「マッピング」とは、トレーニングデータをCCAやPCAやカーネル化などの計算によって写像変換することによって算出される重み係数行列やカーネル関数をテストデータにかけることでなされる。
本発明において、以下に、化合物の空間(すなわち、ケミカル空間)と生体物質の空間(すなわち、バイオ空間)をモデルとして説明する。
ク群と相互作用する可能性が高いと考えられるため、生物活性を有する化合物ライブラリーの設計が可能となる。
libraryの設計が可能となる。
最も重要である「ケミカル空間とバイオ空間を融合したモデル」の構築方法について、本手法の特徴を示す。図5を参照しながら、以下の説明を行う。
サポートベクターマシン(SVM)法などの多変量解析や機械学習法または等価方法により行うことができる。手順はCCAやSVMなどの手順そのものを利用することができる。
相関係数
ここで
ただし、A, B,F, Gは、
kernel method for canonical correlation
analysis,International Meeting of Phychometric Society (IMPS), 2001)。
回帰分析や判別分析、正準相関分析、主成分・因子分析、クラスター分析、多次元尺度法、フェース分析、数量化分析、コンジョイント分析などの手法がある。複雑なデータが持つ傾向や特徴を“要約”したり、結果に影響する相関関係を明らかにして“原因発見”や“推定・予測”を行ったり、あるいは因果関係のモデル化などに有効である。CCA、カーネルCCAもまた、この多変量解析に該当する。
1つの局面では、本発明は、所望の特性を有する化学物質を生産する方法を提供する。この方法は、A)第1の化学物質の空間座標のデータベースにより定義される第1空間に包含される第1の化学物質群を提供する工程と、B)第2の化学物質の空間座標のデータベースにより定義される第2空間に包含される第2の化学物質群を提供する工程であって、第1の化学物質は、第1の特徴量により特徴付けられ、第2の化学物質は、第2の特徴量により特徴付けられる、工程と、C)第2の特徴量において所望の特性を選択する工程と、D)該選択された所望の特性を有する第2の化学物質の、第2空間における目的領域を算出する工程と、E)該目的領域と所定の距離以下に存在する第1空間の標的領域を算出する工程と、F)該第1空間の標的領域に存在する化学物質を選択する工程と、を包含する。
とができる。
y −1/2Vを生成し(ここで、det(A)=det(B)=1かつ
第1モダリティの第1空間を表すAXと第2モダリティの第2空間を表すBYとの間の相関は最大となり、これにより、該第1モダリティから該第2モダリティへの特徴の移転が可能となる、ことを特徴としてもよい。
の異質なデータ(例えば化合物とタンパク質)を行列X,Y(第一空間が行列X、第二空
間が行列Y)と表現したとき、
相関係数
ここで
ただし、A,B,F,Gは、
optimal margin classifiers.In D. Haussler, editor,5th Annual ACM Workshop on COLT, pages 144−152)SVMでは、データを2種類に分類するために各データ点との距離が最大となる分離平面(超平面)を求めるマージン最大化という考え方を用いる特徴を有する。さらに、カーネル関数を用いてパターンを有限もしくは無限次元の特徴空間へ写像し、特徴空間上で線形分離を行う方法を取ることによって非線形分離問題にも優れた性能を示すという特徴も有する。ここで、教師付き分類問題を、タンパク質と化合物の結合予測に適用すると、タンパク質と化合物が結合するというクラスと結合しないというクラスを分類する識別器を作ることになる。この場合、文献や実験などで得られる既知のタンパク質と化合物の結合データを教師データと用いることができる。
M)法等を含む、多変量解析手法、機械学習法または等価方法を用いることができる。これらに加え、さらに、正準相関分析(CCA)、カーネル正準相関分析(kernel CCA)、サポートベクターマシン(SVM)法等を含む多変量解析手法、機械学習法または等価方法のうち2つ以上を組み合わせて適用してもよい。多変量解析手法は、正準相関分析(CCA)およびカーネル正準相関分析(kernel CCA)等であり得る。機械学習法は、サポートベクターマシン(SVM)法を含み得る。
する工程、B)少なくとも1つの特性が既知の第2の化学物質の空間座標のデータベースにより定義される第2空間を特定する工程であって、ここで、第1の化学物質は、第1の特徴量により特徴付けられ、第2の化学物質は、第2の特徴量により特徴付けられる工程、C)該第1空間と該第2空間との相関が最大になるように該第1空間の座標を定義しなおす工程、D)該定義しなおした第1空間を新たな化学物質ライブラリーとして生成する工程、を包含する。
この方法における1つの実施形態は、第1の化学物質と第2の化学物質との間の相互作用を予測するデータ処理方法であり、以下のA)〜D)を包含する。すなわち、A)相互作用することが既知である第1の化学物質群と第2の化学物質群について、請求項1に記載のデータ処理方法によって、第1の化学物質群の空間座標を表す第1空間と第2の化学物質群の空間座標を表す第2空間とが写像変換される工程と、B)相互作用の予測対象となる第1の化学物質の第1の特徴量からなるベクトルを該写像変換することによって第1の化学物質を変換後の第1空間へとマッピングする工程と、相互作用の予測対象となる第2の化学物質の第2の特徴量からなるベクトルを該写像変換することによって第2の化学物質を変換後の第2空間へとマッピングする工程とC)相互作用の予測対象となる第1の化学物質の変換後の座標位置と相互作用の予測対象となる第2の化学物質の変換後の座標位置とによって、予測対象となる第1の化学物質と第2の化学物質とが相互作用する確率をスコアとして算出する工程と、D)特定のスコア以上を有する第1の化学物質と第2の化学物質を出力する工程とを包含する。ここでのマッピングとは、相互作用することが既知である第1の化学物質群の第1空間と第2の化学物質群の第2空間との相関が最大になるように、多変量解析手法、機械学習手法およびそれらの等価方法によって、写像変換した際に導出される関数を用いて、予測対象となる第1の化学物質および第2の化学物質を写像変換することである。さらに、D)において、指定する「特定のスコア」について、その特定のスコアに関する基準は、例えば、統計的有意点を示す5%有意点などが挙げられるがこれらに限定されない。
D)特定のスコア以上を有する第1の化学物質と第2の化学物質を出力する工程と、を包含し、相互作用情報は、結合の有・無、結合活性、薬理活性からなる群より選択される少なくとも1種類の情報により定義される。ここで、「相互作用情報」には、解離定数Kd、50%阻害効果濃度IC50、50%亢進効果濃度EC50などが挙げられる。医薬品開発の場合、結合の有無、結合活性、薬理活性の基準として、Kd、IC50、EC50が、マイクロモルオーダー、ナノモルオーダーであると望ましい。また、「相互作用する確率をスコア」を評価する基準としては、そのスコアは、特徴空間内でクラス分類(例えば、結合する化合物とタンパク質ペアのクラスと結合しない化合物とタンパク質ペアのクラスなど)をする境界面(超平面)からの予測対象の距離で表され、境界面から遠距離にあるほど、相互作用する確率が高くなる。
従来法(PCA)と本手法(CCA)の性能評価をするために、それぞれで構築した「ケミカル空間とバイオ空間の融合モデル」を用いて上述のインシリコスクリーニング(In silico screening)を行った。
1、融合モデルの構築に用いる既知のタンパク質と化合物のデータは、DrugBankデータベース(http://redpoll.pharmacy.ualberta.ca/drugbank/)2005年8月リリース版から取得した。
2、全ての化合物エントリーのmol fileについて、DragonXソフトウェアを用いて、937個の化合物記述子を算出した。ここで、計算された化合物数は3079個である。さらに、CCA計算を行うにあたり、属性となる記述子のプロファイルは独立していなければならないため、相関係数0.8以上の相関性を持つ記述子は、情報量の高い記述子300個に縮約した。
3、全てのタンパク質エントリーのfasta fileについて、mismatch string kernelを生成する手法と同様の手法により、ミスマッチを考慮した連続する2アミノ酸の組成比からなる400次元(アミノ酸20種*20種)のプロファイルを算出した。ここで、プロファイル化されたタンパク質数は3476個である。また、上記2で算出された化合物との結合数は8006個であった。
4、予測性能の評価には、5分割交差検証法(5 fold cross validation)を用いた。すなわち、上記2と3で作成した8006個の化合物−タンパク質結合データを無作為に4:1に分類し、80%の結合データをトレーニングデータとしてCCA計算やPCA計算をし、タンパク質空間と化合物空間のそれぞれの座標を構築した。残りの20%の結合データはテストデータとして用いた。ここで、テストデータの負例(結合しないデータ)は、正例である結合データを構成する化合物とタンパク質の組合せで結合しない組合せを発生させ、正例と同数を無作為に選出した。このように作成したテストデータをトレーニングデータによって構築したタンパク質空間と化合物空間にそれぞれマッピングした。マッピングとは、トレーニングデータをCCAやPCA計算することによって、算出される重み係数行列(PCAの場合は主成分得点係数行列)をテストデータ行列にかけることでなされる。タンパク質空間と化合物空間にそれぞれマッピングされたタンパク質と化合物については各々についてスコアを算出した。
5、上記4のようにテストデータを予測したとき、実際に結合するデータを結合すると予測できたものの比率を真陽性率、実際には結合しないデータを結合すると予測してしまったものの比率を偽陽性率と呼ぶ。ここで、特定の予測スコア(閾値)以上の値を持つデータは陽性とみなし、特定スコア以下の値を持つデータは陰性とみなす。上記CCAとPCAにおいて予測した化合物―タンパク質結合スコアに基づいて、スコアの閾値を動かし、それに伴う偽陽性率と真陽性率を(x,y)としてプロットした(ROC曲線)。
化合物−GPCR相互作用予測手法の開発を以下の手順で行った。
GLIDA(GPCR−LIgand DAtabase)[1]、DrugBank[2]、IUPHAR Receptor database[3]、PDSP Ki database[4]から、相互作用する化合物−GPCRの組み合わせ5207例(化合物:866、GPCR:317)を収集した。ただし、ここではヒト、マウス、ラットのGPCRを用い、GPCRの定義はGPCRDB[5]に従った。また、化合物については、続く記述子(descriptor)の計算に構造情報が必要であるため、mol(sdf) 形式のファイルが提供されているGLIDAおよびPubChem Compound[6]に登録されている化合物を用いた。
化合物およびタンパク質を特徴ベクトルとして表現するために、以下の方法によりそれぞれの記述子を計算した。
・化学記述子(chemical descriptor)
収集した化合物の構造から、化合物の構造・物性に関する記述子をDRAGONX ver.1.2[7]により計算した。この研究では、カテゴリー1−10(constitutional descriptors,topological descriptors,walk and path counts,connectivity indices,information indices,2D autocorrelations,edge adjacency indices,Burden eigenvalue descriptors,topological charge indicesおよびeigenvalue−based indices)、カテゴリー17−18(functional group countsおよびatom−centered fragments)、カテゴリー20(molecular properties)の計929記述子を計算した。なお、分子の三次元座標に依存する記述子(カテゴリー11−14)、官能基や原子タイプの数を数える記述子(カテゴリー15および16)、電荷記述子(カテゴリー19)は、ここでは用いなかった。続いて、これらの記述子のうち、すべての化合物で同一の値として計算出力されるものを取り除き、結果として残った797種類の記述子を以下で用いた。
・タンパク質記述子(protein descriptor)
ミスマッチを許容したスペクトラム法[8]により計算した。この方法は、タンパク質配列を固定長kのアミノ酸配列に分解し、この中に現れる、最大m個のミスマッチまで許容した長さkのアミノ酸配列パターンの頻度を数えることにより計算される。発明者らは (k,m)を(2,1)に設定した。したがって、計算される記述子は、1アミノ酸のミスマッチを許容した2連アミノ酸202種類となる。
SVMは、Vapnikら[9]により提案された学習アルゴリズムであり、その高い汎化能力から各方面において多用されている。SVMは、2つの異なるグループの特徴ベクトルを最大マージンで分離するような超平面を構築する。ここで、最大マージンとは、分離した超平面から各サンプル間までの最短距離を指す。
発明者らは、モデルの比較対象となるリガンド予測方法として、化学記述子から計算される化合物の類似性を用いた。この類似性は、一般的な化合物探索の方法であり、リード化合物を発見する手助けになると言われている[14]。この研究では、上述の「#2」で計算した797種類の化学記述子を主成分分析し、主成分座標上で既知リガンドと隣接する化合物から順にスコア付けを行った。化合物A−タンパク質Bペアのスコアは、主成分空間において化合物Aから見て最近傍にあるタンパク質B既知リガンドとの類似度で表現される。主成分は、累積寄与率80%までのもの(30主成分)を用いた。また、類似度の尺度として相関係数(Pearson correlation coefficient)を用いた。
n分割交差検証法(n−fold cross−validation)を用いて学習モデルの予測性能を評価した。この評価法では、最初に全学習データセットがn個の等サイズなサブセットに分割される。続いて、それぞれのサブセットについて、残りのn−1サブセットで学習して作られた分類器を用いて予測する。そして、この操作は、すべてのサブセットが一度だけ予測されるように繰り返されて評価される。予測性能の尺度としては、以下の式で計算される正確度(Accuracy)を用いた。
ここで、TPは真陽性、TNは真陰性、FPは偽陽性、FNは偽陰性を表す。
発明者らが収集した化合物−GPCR相互作用情報は、今までの研究により「強く結合する」と知られているもののみであり、その他の大部分の化合物−GPCR相互作用は不明である。発明者らの疑問は、リガンド探索において、予想に反して相互作用すると予測された化合物が本当に相互作用しないかどうかということである。そこで、発明者らは、インビトロ(in vitro)結合阻害実験により、相互作用予測スコアと相互作用の有無との関連性を確認した。
(交差検証法による新規リガンド予測モデルの評価)
まず、手始めに今回開発した方法と従来法との比較検討を行った。公共データベースから収集したGPCR−リガンド相互作用情報を用い、化合物−タンパク質相互作用パターンの特徴ベクトルをSVM分類器の入力とし、学習モデルを構築した。負例を交換しながら5分割交差検証法を10回試行した結果、発明者らが開発したモデルの予測性能(accuracy)は91.3%±0.3%だった。対照として、化合物類似度に基づいた従来法についても同様に5分割検証法を行ったところ、予測性能は81.9±0.3%だった。また、ROC曲線からも、発明者らの開発したモデルの予測性能が高いことが判明した(図7A)。
次に、新規手法をヒトβ2ARの新規リガンド予測に適用し、その有効性を実験により検証した。また、新規手法でのみ予測されるリガンドが従来法では検出できないような新規骨格を持つ化合物を含むかどうか調べた。構築したモデルを用いて、866種類のGPCRリガンドについてβ2ARとの相互作用予測スコアを算出した。
Claims (18)
- 第1の化学物質群と第2の化学物質群との間の相互作用パターンを統計モデルとして定義するデータ処理方法であって、
第1の化学物質群の空間座標を表す第1空間と、第2の化学物質群の空間座標を表す第2空間とを定義し、第1の化学物質群は、第1の特徴量により特徴付けられ、第2の化学物質群は、第2の特徴量により特徴付けられ、
(I)第1の化学物質群は化合物であり、該第2の化学物質群は、核酸またはタンパク質あるいはそれらの複合体であり、かつ
該第1の特徴量は、該第1の化学物質の1種類以上の化学物質情報からなるベクトルとして表現され、該第2の特徴量は、該第2の化学物質群の1種類以上の生物学的情報からなるベクトルとして表現される場合、あるいは
(II)第1の化学物質群は核酸またはタンパク質あるいはそれらの複合体であり、該第2の化学物質群は、化合物であり、かつ
該第1の特徴量は、該第1の化学物質群の1種類以上の生物学的情報からなるベクトルとして表現され、該第2の特徴量は、該第2の化学物質の1種類以上の化学物質情報からなるベクトルとして表現される場合において、
該第1空間と該第2空間とは、多変量解析手法、機械学習法およびそれらの等価方法からなる群より選択される手法によって写像変換される、データ処理方法であって、
前記第1空間と前記第2空間との相関が最大になるように、多変量解析手法、機械学習法およびそれらの等価方法からなる群より選択される手法によって、該第1空間の座標および該第2空間の座標が写像変換され、変換後の第1空間座標と変換後の第2空間座標を定義する、
ことを特徴とするデータ処理方法。 - 請求項1に記載のデータ処理方法において、第1の化学物質と第2の化学物質との間の相互作用を予測するデータ処理方法であって、
A)相互作用することが既知である第1の化学物質群と第2の化学物質群について、請求項1に記載のデータ処理方法によって、第1の化学物質群の空間座標を表す第1空間と第2の化学物質群の空間座標を表す第2空間とが写像変換される工程と、
B)相互作用の予測対象となる第1の化学物質の第1の特徴量からなるベクトルを該写像変換することによって第1の化学物質を変換後の第1空間へとマッピングする工程と、相互作用の予測対象となる第2の化学物質の第2の特徴量からなるベクトルを該写像変換することによって第2の化学物質を変換後の第2空間へとマッピングする工程と
C)相互作用の予測対象となる第1の化学物質の変換後の座標位置と相互作用の予測対象となる第2の化学物質の変換後の座標位置とによって、予測対象となる第1の化学物質と第2の化学物質とが相互作用する確率をスコアとして算出する工程と、
D)特定のスコア以上を有する第1の化学物質と第2の化学物質を出力する工程と、
を包含する、
データ処理方法。 - 請求項1に記載のデータ処理方法において、所望の特徴量を有する化学物質またはライブラリーを生産するデータ処理方法であって、
A)相互作用することが既知である第1の化学物質群と第2の化学物質群について、請求項1に記載のデータ処理方法によって、第1の化学物質群の空間座標を表す第1空間と第2の化学物質群の空間座標を表す第2空間とが写像変換される工程と、
B)第1の化学物質群の第1の特徴量からなるベクトルを該写像変換することによって第1の化学物質群を変換後の第1空間へとマッピングする工程と、第2の化学物質群の第2の特徴量からなるベクトルを該写像変換することによって第2の化学物質群を変換後の第2空間へとマッピングする工程と
C)第1の化学物質群の変換後の座標位置と第2の化学物質群の変換後の座標位置とによって、第1の化学物質群と第2化学物質群とが相互作用する確率をスコアとして算出する工程と、
D)第2の特徴量において所望の特徴量を選択する工程と、
E)該選択された所望の特徴量を有する第2の化学物質群の、変換後の第2空間における目的領域を算出する工程と、
F)該目的領域内に存在する第2の化学物質群と所定のスコア以上を示す変換後の第1空間の標的領域を算出する工程と、
G)該標的領域に存在する第1の化学物質または化学物質群を選択する工程と、
を包含する、
データ処理方法。 - 第1の化学物質群と第2の化学物質群との間の相互作用パターンを統計モデルとして定義するデータ処理方法であって、
第1の化学物質と第2の化学物質のペアが、第1の化学物質の第1の特徴量と第2の化学物質の第2の特徴量とを連結したベクトルとして表現され、
(I)該第1の化学物質は化合物であり、該第2の化学物質は、核酸またはタンパク質あるいはそれらの複合体であり、
該第1の特徴量は、該第1の化学物質の1種類以上の化学物質情報からなるベクトルとして表現され、該第2の特徴量は、該第2の化学物質群の1種類以上の生物学的情報からなるベクトルとして表現される場合、あるいは
(II)第1の化学物質群は核酸またはタンパク質あるいはそれらの複合体であり、該第2の化学物質群は、化合物であり、かつ
該第1の特徴量は、該第1の化学物質群の1種類以上の生物学的情報からなるベクトルとして表現され、該第2の特徴量は、該第2の化学物質の1種類以上の化学物質情報からなるベクトルとして表現される場合において、
第1の化学物質の第1の特徴量と第2の化学物質の第2の特徴量とを連結したベクトルは、多変量解析手法、機械学習法およびそれらの等価方法からなる群より選択される手法によって特徴空間へと写像変換される
データ処理方法。 - 請求項4に記載のデータ処理方法において、第1の化学物質と第2の化学物質との間の相互作用を予測するデータ処理方法であって、
A)所望の相互作用情報を有する第1の化学物質群と第2の化学物質群のペアについて、請求項4に記載のデータ処理方法によって、第1の化学物質の第1の特徴量と第2の化学物質の第2の特徴量とを連結したベクトルを、特徴空間へと写像変換する工程と、
B)予測対象となる第1の化学物質の第1の特徴量と予測対象となる第2の化学物質の第2の特徴量とを述結したベクトルを該写像変換することによって特徴空間へとマッピングする工程と
C)予測対象となる第1の化学物質と予測対象となる第2の化学物質の特徴空間上での座標位置とによって、予測対象となる第1の化学物質と第2化学物質とが所望の相互作用する確率をスコアとして算出する工程と、
D)特定のスコア以上を有する第1の化学物質と第2の化学物質を出力する工程と、
を包含し、
相互作用情報は、結合の有・無、結合活性、薬理活性からなる群より選択される少なくとも1種類の情報により定義される、データ処理方法。 - 請求項4に記載のデータ処理方法において、所望の特徴量を有する化学物質またはライブラリーを生産するデータ処理方法であって、
A)所望の相互作用情報を有する第1の化学物質群と第2の化学物質群のペアについて、請求項4に記載のデータ処理方法によって、第1の化学物質の第1の特徴量と第2の化学物質の第2の特徴量とを連結したベクトルを、特徴空間へと写像変換する工程と、
B)第1の化学物質群の第1の特徴量と第2の化学物質群の第2の特徴量とを連結したベクトルを該写像変換することによって特徴空間へとマッピングする工程と
C)第1の化学物質と第2の化学物質の特徴空間上での座標位置とによって、第1の化学物質と第2化学物質とが所望の相互作用する確率をスコアとして算出する工程と、
D)第2の特徴量において所望の特徴量を選択する工程と、
E)該選択された所望の特徴量を有する第2の化学物質群の、変換後の第2空間における目的領域を算出する工程と、
F)該目的領域内に存在する第2の化学物質群と所定のスコア以上を示す変換後の第1空間の標的領域を算出する工程と、
G)該標的領域に存在する第1の化学物質または化学物質群を選択する工程と、
を包含する、
データ処理方法。 - 請求項1に記載のデータ処理方法を用いて、第1の化学物質と第2の化学物質との間の相互作用を予測するデータ処理装置であって、該データ処理装置は、演算装置を備え、かつ、以下の工程A)〜D)、すなわち、
A)相互作用することが既知である第1の化学物質群と第2の化学物質群について、請求項1に記載のデータ処理方法によって、第1の化学物質群の空間座標を表す第1空間と第2の化学物質群の空間座標を表す第2空間とが写像変換される工程と、
B)相互作用の予測対象となる第1の化学物質の第1の特徴量からなるベクトルを該写像変換することによって第1の化学物質を変換後の第1空間へとマッピングする工程と、相互作用の予測対象となる第2の化学物質の第2の特徴量からなるベクトルを該写像変換することによって第2の化学物質を変換後の第2空間へとマッピングする工程と
C)相互作用の予測対象となる第1の化学物質の変換後の座標位置と相互作用の予測対象となる第2の化学物質の変換後の座標位置とによって、予測対象となる第1の化学物質と第2化学物質とが相互作用する確率をスコアとして算出する工程と
D)特定のスコア以上を有する第1の化学物質と第2の化学物質を出力する工程と、
を包含する方法を該演算装置に実行させる、
データ処理装置。 - 請求項1に記載のデータ処理方法を用いて、所望の特徴量を有する化学物質またはライブラリーを生産するデータ処理装置であって、該データ処理装置は、演算装置を備え、かつ、以下の工程A)〜D)、すなわち、
A)相互作用することが既知である第1の化学物質群と第2の化学物質群について、請求項1に記載のデータ処理方法によって、第1の化学物質群の空間座標を表す第1空間と第2の化学物質群の空間座標を表す第2空間とが写像変換される工程と、
B)第1の化学物質群の第1の特徴量からなるベクトルを該写像変換することによって第1の化学物質群を変換後の第1空間へとマッピングする工程と、第2の化学物質群の第2の特徴量からなるベクトルを該写像変換することによって第2の化学物質群を変換後の第2空間へとマッピングする工程と
C)第1の化学物質群の変換後の座標位置と第2の化学物質群の変換後の座標位置とによって、第1の化学物質群と第2化学物質群とが相互作用する確率をスコアとして算出する工程と、
D)第2の特徴量において所望の特徴量を選択する工程と、
E)該選択された所望の特徴量を有する第2の化学物質群の、変換後の第2空間における目的領域を算出する工程と、
F)該目的領域内に存在する第2の化学物質群と所定のスコア以上を示す変換後の第1空間の標的領域を算出する工程と、
G)該標的領域に存在する第1の化学物質または化学物質群を選択する工程と、
を包含する方法を該演算装置に実行させる、
データ処理装置。 - 請求項4に記載のデータ処理方法を用いて、第1の化学物質と第2の化学物質との間の相互作用を予測するデータ処理装置であって、該データ処理装置は、演算装置を備え、かつ、以下の工程A)〜D)、すなわち、
A)所望の相互作用情報を有する第1の化学物質群と第2の化学物質群のペアについて、請求項4に記載のデータ処理方法によって、第1の化学物質の第1の特徴量と第2の化学物質の第2の特徴量とを連結したベクトルを、特徴空間へと写像変換する工程と、
B)予測対象となる第1の化学物質の第1の特徴量と予測対象となる第2の化学物質の第2の特徴量とを連結したベクトルを該写像変換することによって特徴空間へとマッピングする工程と
C)予測対象となる第1の化学物質と予測対象となる第2の化学物質の特徴空間上での座標位置とによって、予測対象となる第1の化学物質と第2化学物質とが所望の相互作用する確率をスコアとして算出する工程と
D)特定のスコア以上を有する第1の化学物質と第2の化学物質を出力する工程と、
を包含する方法を該演算装置に実行させる、データ処理装置であって、
相互作用情報は、結合の有・無、結合活性、薬理活性からなる群より選択される少なくとも1種類の情報により定義される、
データ処理装置。 - 請求項4に記載のデータ処理方法を用いて、所望の特徴量を有する化学物質またはライブラリーを生産するデータ処理装置であって、該データ処理装置は、演算装置を備え、かつ、以下の工程A)〜G)、すなわち、
A)所望の相互作用情報を有する第1の化学物質群と第2の化学物質群のペアについて、請求項4に記載のデータ処理方法によって、第1の化学物質の第1の特徴量と第2の化学物質の第2の特徴量とを連結したベクトルを、特徴空間へと写像変換する工程と、
B)第1の化学物質群の第1の特徴量と第2の化学物質群の第2の特徴量とを連結したベクトルを該写像変換することによって特徴空間へとマッピングする工程と
C)第1の化学物質と第2の化学物質の特徴空間上での座標位置とによって、第1の化学物質と第2化学物質とが所望の相互作用する確率をスコアとして算出する工程と、
D)第2の特徴量において所望の特徴量を選択する工程と、
E)該選択された所望の特徴量を有する第2の化学物質群の、変換後の第2空間における目的領域を算出する工程と、
F)該目的領域内に存在する第2の化学物質群と所定のスコア以上を示す変換後の第1空間の標的領域を算出する工程と、
G)該標的領域に存在する第1の化学物質または化学物質群を選択する工程と、
を包含する、方法を該演算装置に実行させる、
データ処理装置。 - 請求項1に記載のデ一タ処理方法を用いて、第1の化学物質と第2の化学物質との間の相互作用を予測するデータ処理プログラムであって、工程A)〜D)、すなわち、
A)相互作用することが既知である第1の化学物質群と第2の化学物質群について、請求項1に記載のデータ処理方法によって、第1の化学物質群の空間座標を表す第1空間と第2の化学物質群の空間座標を表す第2空間とが写像変換される工程と、
B)相互作用の予測対象となる第1の化学物質の第1の特徴量からなるベクトルを該写像変換することによって第1の化学物質を変換後の第1空聞へとマッピングする工程と、相互作用の予測対象となる第2の化学物質の第2の特徴量からなるベクトルを該写像変換することによって第2の化学物質を変換後の第2空間へとマッピングする工程と
C)相互作用の予測対象となる第1の化学物質の変換後の座標位置と相互作用の予測対象となる第2の化学物質の変換後の座標位置とによって、予測対象となる第1の化学物質と第2化学物質とが相互作用する確率をスコアとして算出する工程と
D)特定のスコア以上を有する第1の化学物質と第2の化学物質を出力する工程と、
を包含する方法を計算機に実行させるための
データ処理プログラム。 - 請求項1に記載のデータ処理方法を用いて、所望の特徴量を有する化学物質またはライブラリーを生産するデータ処理プログラムであって、以下のA)〜G)、すなわち、
A)相互作用することが既知である第1の化学物質群と第2の化学物質群について、請求項1に記載のデータ処理方法によって、第1の化学物質群の空間座標を表す第1空間と第2の化学物質群の空間座標を表す第2空間とが写像変換される工程と、
B)第1の化学物質群の第1の特徴量からなるベクトルを該写像変換することによって第1の化学物質群を変換後の第1空間へとマッピングする工程と、第2の化学物質群の第2の特徴量からなるベクトルを該写像変換することによって第2の化学物質群を変換後の第2空間へとマッピングする工程と
C)第1の化学物質群の変換後の座標位置と第2の化学物質群の変換後の座標位置とによって、第1の化学物質群と第2化学物質群とが相互作用する確率をスコアとして算出する工程と、
D)第2の特徴量において所望の特徴量を選択する工程と、
E)該選択された所望の特徴量を有する第2の化学物質群の、変換後の第2空間における目的領域を算出する工程と、
F)該目的領域内に存在する第2の化学物質群と所定のスコア以上を示す変換後の第1空間の標的領域を算出する工程と、
G)該標的領域に存在する第1の化学物質または化学物質群を選択する工程と、
を包含する方法を計算機に実行させるための
データ処理プログラム。 - 請求項4に記載のデータ処理方法を用いて、第1の化学物質と第2の化学物質との間の相互作用を予測するデータ処理プログラムであって、以下の工程A)〜D)、すなわち、
A)所望の相互作用情報を有する第1の化学物質群と第2の化学物質群のペアについて、請求項4に記載のデータ処理方法によって、第1の化学物質の第1の特徴量と第2の化学物質の第2の特徴量とを連結したベクトルを、特徴空間へと写像変換する工程と、
B)予測対象となる第1の化学物質の第1の特徴量と予測対象となる第2の化学物質の第2の特徴量とを連結したベクトルを該写像変換することによって特徴空間へとマッピングする工程と
C)予測対象となる第1の化学物質と予測対象となる第2の化学物質の特徴空間上での座標位置とによって、予測対象となる第1の化学物質と第2化学物質とが所望の相互作用する確率をスコアとして算出する工程と
D)特定のスコア以上を有する第1の化学物質と第2の化学物質を出力する工程と、
を包含する方法を計算機に実行させるためのデータ処理プログラムであって、
相互作用情報は、結合の有・無、結合活性、薬理活性からなる群より選択される少なくとも1種類の情報により定義される、
データ処理プログラム。 - 請求項4に記載のデータ処理方法を用いて、所望の特徴量を有する化学物質またはライブラリーを生産するデータ処理プログラムであって、以下の工程A)〜G)、すなわち、
A)所望の相互作用情報を有する第1の化学物質群と第2の化学物質群のペアについて、請求項4に記載のデータ処理方法によって、第1の化学物質の第1の特徴量と第2の化学物質の第2の特徴量とを連結したベクトルを、特徴空間へと写像変換する工程と、
B)第1の化学物質群の第1の特徴量と第2の化学物質群の第2の特徴量とを連結したベクトルを該写像変換することによって特徴空間へとマッピングする工程と
C)第1の化学物質と第2の化学物質の特徴空間上での座標位置とによって、第1の化学物質と第2化学物質とが所望の相互作用する確率をスコアとして算出する工程と、
D)第2の特徴量において所望の特徴量を選択する工程と、
E)該選択された所望の特徴量を有する第2の化学物質群の、変換後の第2空間における目的領域を算出する工程と、
F)該目的領域内に存在する第2の化学物質群と所定のスコア以上を示す変換後の第1空間の標的領域を算出する工程と、
G)該標的領城に存在する第1の化学物質または化学物質群を選択する工程と、
を包含する方法を計算機に実行させるための
データ処理プログラム。 - 請求項11〜14のいずれか1項に記載のデータ処理プログラムを格納したコンピュータ読み取り可能な記録媒体。
- 請求項11〜14のいずれか1項に記載のデータ処理プログラムを備え、該データ処理プログラムによって予測、或いは生産された、或いは請求項7〜10のいずれか1項に記載のデータ処理装置によって予測、或いは生産された化学物質および化学物質群を化学合成する、化学合成装置。
- 請求項11〜14のいずれか1項に記載のデータ処理プログラムを備え、該データ処理プログラムによって予測された、第1空間の化学物質群を化学合成した後、該第1空間の化学物質の前記第2の特徴量を測定して、実際に所望の活性を有する化学物質を選択する手段を備える、スクリーニング装置。
- 請求項11〜14に記載のデータ処理プログラム、または請求項15に記載のコンピュータ読み取り可能な記録媒体、および請求項16または17に記載の装置を使用することにより実行された方法によって生産された化学物質。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008517917A JP5448447B2 (ja) | 2006-05-26 | 2007-05-25 | 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 |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006147433 | 2006-05-26 | ||
JP2006147433 | 2006-05-26 | ||
JP2008517917A JP5448447B2 (ja) | 2006-05-26 | 2007-05-25 | 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 |
PCT/JP2007/060736 WO2007139037A1 (ja) | 2006-05-26 | 2007-05-25 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2007139037A1 true JPWO2007139037A1 (ja) | 2009-11-19 |
JP5448447B2 JP5448447B2 (ja) | 2014-03-19 |
Family
ID=38778558
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008517917A Expired - Fee Related JP5448447B2 (ja) | 2006-05-26 | 2007-05-25 | 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 |
Country Status (4)
Country | Link |
---|---|
US (1) | US8949157B2 (ja) |
EP (1) | EP2031528A4 (ja) |
JP (1) | JP5448447B2 (ja) |
WO (1) | WO2007139037A1 (ja) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200538738A (en) | 2004-02-20 | 2005-12-01 | Univ California | Molecular flux rates through critical pathways measured by stable isotope labeling in vivo, as biomarkers of drug action and disease activity |
EP2083265A1 (en) * | 2006-10-31 | 2009-07-29 | Keio University | Method of classifying protein/compound pairs |
EP2753707A4 (en) | 2011-09-08 | 2015-03-04 | Univ California | MEASUREMENT OF METABOLIC FLOW, IMAGING AND MICROSCOPY |
JP6294233B2 (ja) | 2011-12-07 | 2018-03-14 | グラクソスミスクライン エルエルシー | 全身骨格筋量の定量方法 |
US20150310162A1 (en) | 2012-08-27 | 2015-10-29 | Kyoto Constella Technologies Co., Ltd. | Compound Design Device, Compound Design Method, And Computer Program |
US8855968B1 (en) * | 2012-12-10 | 2014-10-07 | Timothy Lynn Gillis | Analytical evaluation tool for continuous process plants |
US9134319B2 (en) | 2013-03-15 | 2015-09-15 | The Regents Of The University Of California | Method for replacing biomarkers of protein kinetics from tissue samples by biomarkers of protein kinetics from body fluids after isotopic labeling in vivo |
EP3356999B1 (en) * | 2015-10-04 | 2019-11-27 | Atomwise Inc. | System for applying a convolutional network to spatial data |
JP7126337B2 (ja) * | 2016-10-27 | 2022-08-26 | 武田薬品工業株式会社 | 化合物の生物活性を予測するためのプログラム、装置及び方法 |
JP6941353B2 (ja) * | 2017-07-12 | 2021-09-29 | 国立大学法人東海国立大学機構 | 毒性予測方法及びその利用 |
AU2019231261A1 (en) * | 2018-03-05 | 2020-10-01 | The Board Of Trustees Of The Leland Stanford Junior University | Machine learning and molecular simulation based methods for enhancing binding and activity prediction |
US20190304568A1 (en) * | 2018-03-30 | 2019-10-03 | Board Of Trustees Of Michigan State University | System and methods for machine learning for drug design and discovery |
JP2019185506A (ja) * | 2018-04-13 | 2019-10-24 | 株式会社中村超硬 | フロー合成装置およびフロー合成方法 |
CN113728390A (zh) * | 2019-01-04 | 2021-11-30 | 思科利康有限公司 | 使用合成数据预测药物结合的方法和系统 |
US10515715B1 (en) | 2019-06-25 | 2019-12-24 | Colgate-Palmolive Company | Systems and methods for evaluating compositions |
US20210057050A1 (en) | 2019-08-23 | 2021-02-25 | Insilico Medicine Ip Limited | Workflow for generating compounds with biological activity against a specific biological target |
EP4163920A4 (en) | 2020-06-05 | 2023-07-19 | Fujitsu Limited | INFORMATION PROCESSING PROGRAM, METHOD AND DEVICE |
EP4177766A4 (en) | 2020-07-03 | 2023-08-16 | Fujitsu Limited | INFORMATION PROCESSING PROGRAM, INFORMATION PROCESSING METHOD AND INFORMATION PROCESSING DEVICE |
CN112509641B (zh) * | 2020-12-04 | 2022-04-08 | 河北环境工程学院 | 一种基于深度学习监测抗生素与金属联合产物的智能方法 |
Family Cites Families (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1998047089A1 (en) * | 1997-04-11 | 1998-10-22 | California Institute Of Technology | Apparatus and method for automated protein design |
US7444308B2 (en) * | 2001-06-15 | 2008-10-28 | Health Discovery Corporation | Data mining platform for bioinformatics and other knowledge discovery |
CA2346235A1 (en) | 1998-10-28 | 2000-05-04 | Glaxo Group Limited | Pharmacophore fingerprinting in qsar and primary library design |
US6349265B1 (en) * | 1999-03-24 | 2002-02-19 | International Business Machines Corporation | Method and apparatus for mapping components of descriptor vectors for molecular complexes to a space that discriminates between groups |
US20020187514A1 (en) * | 1999-04-26 | 2002-12-12 | Hao Chen | Identification of molecular targets useful in treating substance abuse and addiction |
US6651008B1 (en) * | 1999-05-14 | 2003-11-18 | Cytokinetics, Inc. | Database system including computer code for predictive cellular bioinformatics |
US6743576B1 (en) * | 1999-05-14 | 2004-06-01 | Cytokinetics, Inc. | Database system for predictive cellular bioinformatics |
US20030228565A1 (en) * | 2000-04-26 | 2003-12-11 | Cytokinetics, Inc. | Method and apparatus for predictive cellular bioinformatics |
EP1283479A4 (en) * | 2000-03-13 | 2005-01-12 | Chugai Pharmaceutical Co Ltd | METHOD OF PROCESSING INFORMATION RELATING TO A CHEMICAL SUBSTANCE |
GB0006153D0 (en) * | 2000-03-14 | 2000-05-03 | Inpharmatica Ltd | Database |
US20050053999A1 (en) * | 2000-11-14 | 2005-03-10 | Gough David A. | Method for predicting G-protein coupled receptor-ligand interactions |
US20020090631A1 (en) * | 2000-11-14 | 2002-07-11 | Gough David A. | Method for predicting protein binding from primary structure data |
US6599694B2 (en) * | 2000-12-18 | 2003-07-29 | Cytokinetics, Inc. | Method of characterizing potential therapeutics by determining cell-cell interactions |
JP2003159095A (ja) * | 2001-07-12 | 2003-06-03 | Takeda Chem Ind Ltd | 結合分子予測方法およびその利用方法 |
DE60235642D1 (de) * | 2001-11-12 | 2010-04-22 | Analiza Inc | Charakterisierung von molekülen |
US20040073527A1 (en) * | 2002-06-04 | 2004-04-15 | Sherr Alan B. | Method, system and computer software for predicting protein interactions |
WO2005010677A2 (en) * | 2003-07-18 | 2005-02-03 | Cytokinetics, Inc. | Characterizing biological stimuli by response curves |
WO2005069188A1 (ja) * | 2003-12-26 | 2005-07-28 | Dainippon Sumitomo Pharma Co., Ltd. | 化合物および蛋白質間の相互作用を予測するシステム |
JP4845080B2 (ja) * | 2004-10-29 | 2011-12-28 | 独立行政法人産業技術総合研究所 | 活性化g蛋白質予測装置、プログラムおよび方法 |
JP2006146380A (ja) * | 2004-11-17 | 2006-06-08 | Hitachi Ltd | 化合物の機能予測方法及び機能予測システム |
US7679740B2 (en) * | 2005-07-14 | 2010-03-16 | Chemimage Corporation | Method and apparatus for multimodal detection |
CU23586A1 (es) * | 2005-11-22 | 2010-10-30 | Ct Ingenieria Genetica Biotech | Métodos y proteínas para el tratamiento profiláctico y/o terapéutico de los cuatro serotipos del virus de dengue y otros flavivirus |
US20070192033A1 (en) * | 2006-02-16 | 2007-08-16 | Microsoft Corporation | Molecular interaction predictors |
US20070294068A1 (en) * | 2006-05-24 | 2007-12-20 | Jones Jeffrey P | Line-walking recursive partitioning method for evaluating molecular interactions and questions relating to test objects |
EP2083265A1 (en) * | 2006-10-31 | 2009-07-29 | Keio University | Method of classifying protein/compound pairs |
JP5287251B2 (ja) * | 2006-11-24 | 2013-09-11 | 日本電気株式会社 | 分子間相互作用予測装置の性能評価システム、方法、及びプログラム |
-
2007
- 2007-05-25 JP JP2008517917A patent/JP5448447B2/ja not_active Expired - Fee Related
- 2007-05-25 WO PCT/JP2007/060736 patent/WO2007139037A1/ja active Application Filing
- 2007-05-25 EP EP07744170A patent/EP2031528A4/en not_active Ceased
-
2008
- 2008-11-20 US US12/274,744 patent/US8949157B2/en not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP5448447B2 (ja) | 2014-03-19 |
EP2031528A1 (en) | 2009-03-04 |
WO2007139037A1 (ja) | 2007-12-06 |
US8949157B2 (en) | 2015-02-03 |
EP2031528A4 (en) | 2009-06-17 |
US20100099891A1 (en) | 2010-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5448447B2 (ja) | 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 | |
Simonovsky et al. | DeeplyTough: learning structural comparison of protein binding sites | |
Lima et al. | Use of machine learning approaches for novel drug discovery | |
Heikamp et al. | Support vector machines for drug discovery | |
Clark et al. | Open source Bayesian models. 2. Mining a “big dataset” to create and validate models with ChEMBL | |
Jónsdóttir et al. | Prediction methods and databases within chemoinformatics: emphasis on drugs and drug candidates | |
Rohrer et al. | Maximum unbiased validation (MUV) data sets for virtual screening based on PubChem bioactivity data | |
Maldonado et al. | Molecular similarity and diversity in chemoinformatics: from theory to applications | |
Priya et al. | Machine learning approaches and their applications in drug discovery and design | |
Mpamhanga et al. | Knowledge-based interaction fingerprint scoring: a simple method for improving the effectiveness of fast scoring functions | |
Lin et al. | Clustering methods in protein-protein interaction network | |
JP2007511470A (ja) | リード分子交差反応の予測・最適化システム | |
Warr | Some Trends in Chem (o) informatics | |
Sundar et al. | The effect of debiasing protein–ligand binding data on generalization | |
Ahmad et al. | Attention-based graph neural network for molecular solubility prediction | |
Gu et al. | Can molecular dynamics simulations improve predictions of protein-ligand binding affinity with machine learning? | |
Chen et al. | PubChem BioAssays as a data source for predictive models | |
Ji et al. | Comprehensive assessment of nine target prediction web services: which should we choose for target fishing? | |
Stork et al. | Computational prediction of frequent hitters in target-based and cell-based assays | |
Zhou | Chemoinformatics and library design | |
US20120290624A1 (en) | Defining and mining a joint pharmacophoric space through geometric features | |
Lobanov | Using artificial neural networks to drive virtual screening of combinatorial libraries | |
Krotzky et al. | Extraction of protein binding pockets in close neighborhood of bound ligands makes comparisons simple due to inherent shape similarity | |
Steinfath et al. | Integrated data analysis for genome-wide research | |
Ashenden | Screening library design |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20090825 |
|
AA91 | Notification that invitation to amend document was cancelled |
Free format text: JAPANESE INTERMEDIATE CODE: A971091 Effective date: 20091013 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20100524 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100602 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20120906 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20121101 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20121220 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20130726 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20131008 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20131101 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20131122 |
|
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: 20131220 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20131224 |
|
R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 5448447 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: R3D02 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: R3D04 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |