ADMET-AI: a machine learning ADMET platform for evaluation of large-scale chemical libraries
1.논문 제목: ADMET-AI: a machine learning ADMET platform for evaluation of large-scale chemical libraries
2.저자명: Kyle Swanson, Parker Walther, Jeremy Leitz, Souhrid Mukherjee, Joseph C. Wu, Rabindra V. Shivnaraine, James Zou
3.Publish: 2024 Jul 01
5.Abstract: The emergence of large chemical repositories and combinatorial chemical spaces, coupled with high-throughput docking and generative AI, have greatly expanded the chemical diversity of small molecules for drug discovery. Selecting compounds for experimental validation requires filtering these molecules based on favourable druglike properties, such as Absorption, Distribution, Metabolism, Excretion, and Toxicity (ADMET). We developed ADMET-AI, a machine learning platform that provides fast and accurate ADMET predictions both as a website and as a Python package. ADMET-AI has the highest average rank on the TDC ADMET Leaderboard, and it is currently the fastest web-based ADMET predictor, with a 45% reduction in time compared to the next fastest public ADMET web server. ADMET-AI can also be run locally with predictions for one million molecules taking just 3.1 h. The ADMET-AI platform is freely available both as a web server at admet.ai.greenstonebio.com and as an open-source Python package for local batch prediction at github.com/swansonk14/admet_ai (also archived on Zenodo at doi.org/10.5281/zenodo.10372930). All data and models are archived on Zenodo at doi.org/10.5281/zenodo.10372418.
6.한글 초록 요약본: 대규모 화합물 데이터베이스와 조합적 화학 공간의 등장에 고처리량 도킹 및 생성형 인공지능이 결합되면서, 신약 발굴에 활용되는 저분자 화합물의 화학적 다양성이 크게 확장되었음. 실험적으로 검증할 화합물을 선정하기 위해서는 흡수·분포·대사·배설·독성(Absorption, Distribution, Metabolism, Excretion, and Toxicity; ADMET) 측면에서 약물로서 바람직한 특성을 갖추었는지를 기준으로 이들 분자를 선별해야 함. 웹사이트와 Python 패키지 형태로 빠르고 정확한 ADMET 예측을 제공하는 머신러닝 플랫폼인 ADMET-AI를 개발함. ADMET-AI는 TDC ADMET Leaderboard에서 가장 높은 평균 순위를 기록했으며, 현재 가장 빠른 웹 기반 ADMET 예측 도구임. 그다음으로 빠른 공개 ADMET 웹 서버와 비교했을 때 예측에 소요되는 시간이 45% 감소함. ADMET-AI는 로컬 환경에서도 실행할 수 있으며, 100만 개 분자에 대한 예측을 수행하는 데 단 3.1시간이 소요됨. ADMET-AI 플랫폼은 admet.ai.greenstonebio.com의 웹 서버와, 로컬 환경에서 일괄 예측을 수행할 수 있는 github.com/swansonk14/admet_ai의 오픈소스 Python 패키지 형태로 무료 제공됨. 해당 패키지는 Zenodo에도 보관되어 있음(doi.org/10.5281/zenodo.10372930). 모든 데이터와 모델은 Zenodo의 doi.org/10.5281/zenodo.10372418에 보관되어 있음.
7.한글 논문 요약본:
7-1. Introduction
대규모 화합물 라이브러리, 고처리량 도킹 및 생성형 AI의 발전으로 in silico 신약 탐색의 규모가 확대됨. 그러나 표적 결합이 유망한 후보라도 흡수·분포·대사·배설·독성(ADMET) 특성이 적절하지 않으면 후속 개발에 제약이 발생하므로, 대량의 후보물질을 빠르고 정확하게 평가할 도구가 필요함. 이에 연구진은 머신러닝 기반 ADMET 예측, 승인 약물과의 비교, 웹·로컬 실행 기능을 통합한 오픈소스 플랫폼인 ADMET-AI를 개발함. 이를 통해 도킹이나 생성형 AI로 확보한 화합물 중 약물 개발에 적합한 후보의 선별을 지원하고자 함.
7-2. Model development
Therapeutics Data Commons(TDC)의 41개 ADMET 데이터셋인 분류 31개와 회귀 10개를 활용하여 모델을 학습함. 분자 내 원자와 결합 정보를 학습하는 Chemprop 그래프 신경망에 RDKit으로 계산한 200개의 물리화학적 분자 특성을 결합한 Chemprop-RDKit 구조를 사용함. 서로 다른 5가지 학습·검증·시험 데이터 분할에서 모델을 학습하고, 이들 모델의 예측값을 평균하는 앙상블을 적용하여 예측의 안정성을 높임.
단일과제 모델 평가에서 분류 데이터셋 31개 중 20개는 AUROC > 0.85, 회귀 데이터셋 10개 중 5개는 R² > 0.6의 성능을 보임. 논문 발표 당시 TDC ADMET 벤치마크에 포함된 22개 데이터셋의 평균 순위에서 비교 모델 중 최상위를 기록함. 또한 분류용·회귀용 다중과제 모델을 각각 구성하여 단일과제 모델과 유사한 성능을 유지하면서 41개 특성을 더 빠르게 예측하도록 하였으며, 해당 다중과제 모델의 앙상블을 웹 서버에 적용함.
7-3. ADMET-AI web server
SMILES 직접 입력, CSV 업로드 또는 구조 그리기를 통해 한 번에 최대 1,000개 분자를 평가할 수 있음. 41개 ADMET 예측값과 8개 물리화학적 특성을 제공하며, BBB 투과, hERG 차단, 용해도 등의 결과를 표·레이더 차트·산점도로 확인할 수 있음. 이진분류 결과는 해당 특성을 가질 예측 확률로, 회귀 결과는 학습 데이터의 단위로 표시됨. 화면에는 최대 25개 분자의 결과를 표시하며, 전체 결과는 다운로드할 수 있음.
DrugBank의 승인 약물 2,579개에 대한 예측값을 참조하여 후보물질의 백분위수를 제공하고, ATC 코드로 치료 영역에 맞는 비교군을 선택할 수 있음. 로컬 Python 패키지는 대규모 일괄 처리와 기존 분석 파이프라인 연동을 지원함. 웹 서버는 1,000개 분자 처리 시 그다음으로 빠른 비교 도구보다 예측 시간이 45% 짧았음. 로컬에서는 32개 CPU 코어와 GPU를 사용하여 100만 건의 예측을 3.1시간에 수행함. 해당 속도 평가는 1,000개 분자 집합을 1,000회 반복한 자료를 이용한 결과임
7-4. Conclusion
ADMET-AI는 다양한 ADMET 특성에 대한 예측 성능, 빠른 처리 속도 및 사용 편의성을 결합한 무료 오픈소스 플랫폼임. 승인 약물의 예측값을 비교 기준으로 제공하여 개별 결과의 해석을 돕고, 웹과 로컬 실행을 통해 소규모 후보 검토부터 대규모 화합물 라이브러리 분석까지 지원함. 생성형 AI나 도킹으로 확보한 후보 중 후속 개발에 적합한 ADMET 프로파일을 가진 화합물을 선별하는 데 활용할 수 있는 도구임.
8.대표 Figure:
댓글