メインコンテンツへスキップ
TextGrad: Automatic "Differentiation" via TextMert Yuksekgonul et al.

F.1 ドッキングおよび薬剤らしさの評価

分子を最適化するために、SMILES文字列として符号化された化学構造の結合親和性と薬剤らしさを評価する。両方の指標を計算するために、生成されたSMILES文字列はまずRDKitのMolFromSmiles機能を用いてオクテット完全なルイスドット構造に変換される。この方法は、明示的な水素の追加、芳香環のケクレ化、価数の標準化、およびラジカルの割り当てによって分子を「サニタイズ」する[100]。このサニタイズ処理がどの段階で失敗した場合でも、構造の曖昧さによるものであれ無効な分子によるものであれ、QEDおよびVinaスコアは、分子が無効であることをTEXTGRADに伝える単一の文字列に置き換えられる。

生成されたSMILES文字列が有効な化学構造を表す場合、RDKitのChem.QED関数を用いてQEDスコアを計算する。QEDスコアは迅速かつ信頼性高く計算できる一方で、ドッキングスコアは標的およびリガンド構造の調製に応じて大きく変動し得る。一貫性を確保するために、標準化されたドッキングワークフローを実装し、一連のゴールドスタンダード標的を提供するDOCKSTRINGパッケージ[61]を用いてVinaスコアを計算する。特に、リガンドがRDKitによってサニタイズされた後、DOCKSTRINGはOpen Babelを用いてpH 7.4でそれを(脱)プロトン化し、ユークリッド距離幾何アルゴリズムETKGと古典的力場MMFF94を用いて3D幾何構造を調製および洗練する。最後に、すべてのリガンド原子についてGasteiger電荷が計算され、得られた構造はAutodock Vinaに渡されるリガンドPDBQTファイルとして保存される。標的の調製については、DOCKSTRINGベンチマークスイートが臨床的に関連するタンパク質の厳選された58の結晶構造を提供し、その大多数は2.5 Å未満の分解能である。これらの構造は、例えば極性水素の手動追加や残留水および溶質分子の除去などによって、理論的および実験的結合親和性の間の相関を改善するために特別に調製されている。DOCKSTRINGはまた、数値シード、探索ボックス座標、サンプリングの網羅性などのシミュレーションパラメータを標準化し、再現可能なスコアリングを確保する。