先週行ってきた

桜

よい

帰りは三島二日町まで降りてきて隣の田町駅の向かいにあるやんぐでラーメンを食べました。

チームから1人離脱するので、やごみで送別会的な飲みをしてきました。所属が離れるけど兼務でつながってるし同じフロアにいるので離れた感はゼロだけどねｗ

湯豆腐とマグロ

アジと定番の磯辺揚げ

タコ唐揚げがつまむのに良かった

今年もみんなで楽しく仕事をして良い成果を出せるといいなーと思います。

5年ぶりくらいに餃子の街に帰省してきました。

子供達に餃子でも食べさせておくかとみんみんに寄った。

子供が喜んでいたのでまぁ良しとしよう。

次の日は池袋のアニメイトに寄って、その後原宿をウロウロして、さらにお台場に移動して科学未来館で遊ぶという強行軍で疲れた。

うちのSlackオルタネティブのAI創薬絡みのチャンネルではArxivの機械学習新着が流れてくるようになっていて、たまに大きな桃がどんぶらこどんぶらこと流れてきては、中身をぶった切ってチャンネル参加者の皆でキャッキャウフフしてるわけです。

で、今回流れてきたのがStep Change Improvement in ADMET Prediction with PotentialNet Deep FeaturizationというPande先生のとこで開発したPotentialNetっていう手法をメルクのデータで検証したら調子良かった（良すぎ！）っていう論文です。

なんかfuとかmicrosomeのクリアランスとかADMEの予測がすごい改善していて期待度高いです。PotentialNetってのはGCNN(Neural FP)のとこにLeRUじゃなくてGRUつかうことで特徴量抽出を工夫しているようです。具体的になにがよろしくなってどういう特徴量が抽出されているのかイメージつかめないんですが、何が良くなるんでしょうね？

それから実装はPyTorchらしいけどGithubには上がってないようなので自分で再実装する必要ありそうだし、最初にAtomにどういう情報持たせるのかに工夫の余地はありそう。

PotentialNetはいずれdeepchemに取り入れられるのでしょうか？

• PotentialNet for Molecular Property Prediction
• PotentialNet for Molecular Property Prediction(ACS)
• GATED GRAPH SEQUENCE NEURAL NETWORKS
• Deep learning for molecules, introduction to chainer chemistry
• A PyTorch Implementation of GGNN

深層学習も積みっぱなしだから読まないと、、、

深層学習 (アスキードワンゴ)

ドワンゴ / ?円 ( 2018-08-27 )

参加者の皆様お疲れ様でした。楽しんでいただけて且つ何か得るものがあったのなら企画の甲斐があったなと思います。

それにしてもauto-DMTAやばかったですね。我々も頑張らないといけないなーと思いました。

さて、Thierryさんとはどういう経由で呼んだの？とかなり聞かれたのですが、実は去年のICCSでポスター出してたのでネホリンハホリンしたら次の日のexcursionで話しかけてきたので、「来年AI in Medicinal Chemistry企画してるんだけど興味ある？」って聞いたら「めっちゃある、呼ばれたら絶対行くで！」って、まぁそんな感じで決まりました。ICCSは面白い割に日本からの参加者はほぼいないので機会があれば参加すると良いと思います（3年ごとに開催）。

尚、ランチははん亭にしました。

演者は懇親会は質問攻めにあってあまり食べられないので、皆で帰りに「にし乃」に寄りました。

美味しかった。

ちょっと質問されたので、py4chemoinformaticsの説明追加してみたんだけど自分の中で問題が整理されて良かった。

結局acivity cliffとかmagic methylってのはApplicability domainの問題ではなくて、特徴量の抽出のほうの問題なんですよね。グラフ類似性が実際の三次元の構造の類似性とは微妙に違うし、結合モードの類似性とかとも異なるのに、その類似性が活性の類似性と相関するという仮説そのものが正しくない可能性があるということを認識した上でモデルを作らんといかんよなと再認識させられた。

尚、CoMFAはぶつかって活性消失したという事実がないとモデリングできないし、ファーマコフォアの排除体積も同様。ドッキングのスコア関数はそれっぽい特徴表現だけど、粗すぎてネガティブスクリーニングにしか使えんけど、ファーマコフォア表現ってのが特徴量としては一番しっくりくるかなと言ったところ。

今年も会社のみなさんと一緒に富士錦の蔵開きに行ってきました。

色々お話できて濃厚な時間を過ごしました。

帰りに富士宮をブラブラして、ヨコゼキ寄ったり、さの萬寄ったりできて良かった。

O2研に用があったので帰りに新橋の鶴松でやきとんしてきました。

下田さん家の豚は山田さんが育てているそうです。山田さんの育てた豚はすこぶる美味しかった。

かしらとホルモン

色々食べだけど美味しかった。今度は馬力にも行きたい

ファーマコフォアはもともとは、同じターゲットで複数の異なる骨格の薬剤とか開発化合物を3次元的に重ね合わせて共通の特徴を抽出するLBDD的な手法により推定されていてCatalystを使って計算するのが一般的だったように思います。

で、ファーマコフォアを作ろうとする話で触れられているように、ファーマコフォアをSBDDの側から解釈するとターゲット蛋白質でのポケット内で、強く相互作用している残基とリガンドの官能基の相互作用を見ていることになるわけです。

というわけで、ターゲットのアポ体の構造がわかっていたり、新規なスキャフォールドが欲しかったり（知財の関係で）する場合にターゲットのポケットの中で水素結合をする可能性のある残基や主査に水素結合ポイントを定義して三点ファーマコフォアでスクリーニングするというようなこともよくやっていましたが、これは結構ヒット率低かったです。

そもそも、ファーマコフォアポイントじゃないところにファーマコフォアを仮定する時点で外れ確定なのでそのあたりが難しい要因でした。

• リガンド重ね合わせのアプローチの場合、似た構造を重ね合わせに使ってしまい、アーティファクトが出やすい（ベンゼン環起因のアロマティックなポイントとか）、そもそも異なるポケットに結合しているとか別の残基と相互作用している化合物が混じっているとかで共通項が取れない場合もある。
• 結晶構造から推定する場合は、水素結合はいいとして、アロマティックなフィーチャーは設定しにくい。Catalystが不安定なコンフォマーもファーマコアマッピングするので、それヒットにしていいの？と疑問を呈したい場合も多々あった。

なので、もし複合体結晶構造がある場合は一度FMOをかけて、きちんと相互作用を確認してからファーマコフォアぽいイントを設定するなり、ドッキングシミュレーションをしたほうが成功確率が上がります。

こんな感じのFMO計算用のAMIがあるとクラスターもってなくてもサクッと計算できるから良いかもしれませんね。てか、今度作ろっと。

図書館に本を返しに行ったら、新刊コーナーに置かれていたので借りてみた。5章の「いい本の作り方」が読みたかったんだけどね。

かんたん出版マニュアル
杉浦浩司 牧村康正(スーパーバイザー)
星雲社 / 1512円 ( 2018-11-07 )

• 文章の統一に気をつけましょう
• 本は書き手が楽しむものではなく読み手が楽しむものです
• 本の構成案を入念に計画する
• 「の」「が」「は」を多用しないようにする

かなり参考になった。