分子シミュレーション
16件
溶媒込みのニューラルネットワークポテンシャルで、リガンド歪みをライブラリ規模で見積もる
- 従来の歪みエネルギー推定は気相の単一極小構造を基準にするため、溶媒を無視し、真空中で分子内静電相互作用によりコンパクトに潰れる荷電リガンドを歪めて評価する。
- AIMNet2-CPCMは、連続溶媒中のDFTレベルのエネルギーと力で学習したニューラルネットワークポテンシャルで、中性種と荷電種を同じ枠組みで扱う。
- GPUのバッチ推論により、スクリーニングライブラリ全体で溶媒込みの大域的極小探索が現実的になる。
- 約8,000件のPDBリガンドでは、溶媒込みの歪みは正味電荷とともに増加し、その傾向は電荷−2まで安定している。
歪みフィルターの精度は結合していない側の基準状態で決まる。双性イオンが真空中で塩橋を作って折りたたまれるのを見たことがあれば、気相の数値が誤解を招く理由は明らかだ。ライブラリのトリアージに使える速度の、溶媒・電荷対応ポテンシャルは、ドッキング後のフィルターに実際に組み込みたい。ただし負電荷が大きい領域では信頼性が下がり、これは酸やリン酸基を持つ分子で効いてくる。
MCCE計算が示す、キナーゼ阻害薬は結合時にプロトン化・互変異性状態を変えうる
- 9種のキナーゼドメインと承認済み阻害薬18種による37の共結晶構造に、多コンフォメーション連続体静電計算(MCCE)を適用した。
- 結合してもタンパク質の正味電荷はほぼ安定だが、阻害薬の電荷状態は頻繁に増減した。
- 溶液中でほぼ同程度に存在する2つの互変異性体が、結合により1つに絞られ、数kcal/mol規模のエネルギー差が生じうる。
多くのバーチャルスクリーニングは、固定した1つのプロトン化状態を暗黙の前提にしている。承認薬でさえそれがkcal/molの誤差になりうるという。互変異性を起こす複素環を持つ骨格がSARで外れた挙動を示したら、ポケットを疑う前に結合状態の互変異性体を確かめたい。
Kinase Inhibitors can Change Protonation or Tautomeric State upon Binding ↗
承認済みアントラサイクリン系薬を1分子の光増感剤へ転用する化学光線療法
- 承認済み抗がん剤の厳選ライブラリーをTD-DFTでスクリーニングし、光物性の良い発色団含有候補を抽出した。
- ミトキサントロン、ピキサントロン、ダウノルビシン、エピルビシンは光照射で活性酸素を生成し、乳がん細胞への細胞毒性が高まった。
- 1分子で化学療法と光線力学療法の両方を担うため、2成分コンジュゲートが不要になる。
安全性とPKが既知の化合物から出発するのは賢く、CMCも毒性の説明もすでに揃っている。ただしこれらの発色団の吸収波長は組織透過性が低く、アントラサイクリン由来のROSは心毒性の懸念も増やす。期待する前に、in vivoでの光照射量の許容域を見たい。
分子動力学でRhoJ特異的なN末端ポケットを発見、テルコナゾールがPAK3結合を阻害
- RhoJは配列上Cdc42とほぼ同一だが固有のN末端伸長部をもち、PAK3結合時にアロステリックポケットを形成することがシミュレーションで示された。
- このポケットを標的とした構造ベース仮想スクリーニングで、抗真菌薬テルコナゾールが結合候補として浮上した。
- 生細胞で最適化したBRET2バイオセンサーを用いると、テルコナゾールはRhoJ–PAK3相互作用を用量依存的に低下させた。
Cdc42にない配列伸長部で選択性を狙うのは、保存性の高いGTPaseを攻める定石だ。ただしテルコナゾールは転用アゾールで出発点としては心許なく、BRETの低下だけではポケット結合の証明にならない。N末端残基の変異導入と物理化学的な結合測定を経てから妥当性を判断したい。
Identification and targeting of a novel drug pocket in the tumour angiogenesis regulator RhoJ ↗
DESPOT:方向性を取り入れた知識ベースのタンパク質–リガンド・スコアリング
- 知識ベースポテンシャルは解釈しやすいスコアリング関数ですが、多くはタンパク質原子周囲の空間を等方的に扱います。
- DESPOTは全原子の異方性ポテンシャルで、混成状態と結合環境に応じて原子を等方・軸対称・完全異方の三つに分類します。
- 位置平均した参照状態と「空(void)」のリガンド原子型を用い、意図的に空けられた領域も表現できます。
- 著者らは、方向性を考慮する既存手法の発展形と位置づけています。
水素結合、ハロゲン結合、π接触が必要とするのは方向性で、等方的ポテンシャルはそこをぼかしてしまいます。ドッキングポーズの選別で私が実感している弱点を、まさに突く手法です。リガンドが避ける領域を表すvoid原子型もうまい工夫です。信用する前に確かめたいのは、ベンチマークだけでなく自分の標的やデコイ集合での性能と、活性体とデコイの分離だけでなく同族系列の順位づけができるかどうかです。
DESPOT: Direction-Enhanced Scoring POTentials for Scoring of Protein–Ligand Interactions ↗
PLACデータセットで検証:MM/GBSAはPTMによるリガンド結合変化を予測できるか
- 翻訳後修飾(PTM)によるリガンド活性変化の実験データをまとめたPLACを構築。影響を与えるPTMは、影響のないものよりリガンドに近い位置に多い。
- 終点型MM/GBSAについて、MD時間と内部誘電率を変えて系統的に評価した。
- 長いMDと高い誘電率は実験値との相関が最も良く、低い誘電率は増強・減弱・中立の分類に優れていた。
PTM状態を前提にSARを組む人はいないが、強力な結合体が細胞で効かない理由を静かに説明することがある。スコアリングの小改良よりも、初めて検証に使える正解データが整備された価値の方が大きい。順位付けと分類で最適な誘電率が違うという点は実用的な警告で、答えたい問いに合わせてプロトコルを選ぶ必要がある。
自由エネルギー計算でクルザイン・カテプシンLへの共有結合阻害剤結合を評価
- 相対結合自由エネルギー(FEP型アルケミカル)計算を用いて、ウォーヘッドを持つ共有結合性阻害剤の結合を2つの関連するシステインプロテアーゼ間で比較。
- シャーガス病の原因である Trypanosoma cruzi の主要プロテアーゼ、クルザインと、その近縁ホモログであるヒトカテプシンLを並行してモデル化。
- この標的間比較により、寄生虫標的への選択性とヒト酵素へのオフターゲット反応性を区別し、選択性を指向した最適化に役立てる。
反応性ワーヘッドへのFEP適用は、可逆的阻害剤に比べればまだ不安定だ——共有結合のパラメータ化こそ、こうした手法が静かに破綶するポイント。とはいえ、cruzainプログラムを何度も潰してきたのは力価不足よりcathepsin Lとの交差反応性であり、合成前にオフターゲット結合体を見分けられるΔΔGランキングは本物のトリアージ価値がある——顧みられない病気研究の予算では、無駄な合成を許す余裕はないのだから。
フラグメント成長法による天然由来システインスルホキシド系BACE-1阻害剤の最適化
- アリインは、BACE-1の触媒二残基をキレートする天然のシステインスルホキシドだが、薬物動態が乏しく、そのままでは医薬品候補としての利用が難しい。
- 研究チームは、この骨格を出発点として、分子動力学シミュレーションに基づくフラグメント成長法を用い、親和性と薬物様特性の向上を目指した。
- 現時点では初期段階の計算・フラグメントベースの最適化検討にとどまり、検証済みの臨床候補化合物ではない。
アリインのような食品由来フラグメントから出発するのは魅力的だ——毒性クリアランスは期待でき、キラリティーもタダで手に入る——が、BACE-1は生化学的にはきれいでも、臨床では有望な結合剤が次々潰れてきた墓場だ(verubecestat、lanabecestat、atabecestatはいずれも安全性・有効性で失敗している)。フラグメントを計算だけで伸長するのは簡単な部分にすぎない。SPRやITC、結晶構造でMDのポーズを裏付けるデータが出てこない限り、この親和性向上は仮説であって結果ではないと見ておきたい。
数十億化合物のバーチャルスクリーニングを読み解く
- 医薬品候補化合物のオンデマンド合成ライブラリが数百億分子規模にまで急拡大している現状と、この規模がもたらす計算スクリーニング上の課題を論じる解説記事。
- 膨大な化学空間を効率よく優先順位付けし探索する手法について、計算コストと有望なヒットの見落としリスクとのトレードオフを検討している。
- こうした大規模スクリーニング手法が、創薬初期のヒット探索ワークフローにどう組み込まれるかを考察している。
規模を追うこと自体には意味がない、スコアリング関数がその量で識別力を保てなければ——化合物数億を超えたあたりから、物理ベースでもML系でも大半のスコアリング手法はエンリッチメントが頭打ちになる。この記事はトリアージ問題が未解決であることを正直に認めており、具体性の乏しさを踏まえれば、今のところそこが唯一信頼できる点だ。
AIコフォールディング型バーチャルスクリーニングをストレステスト:Keap1–Nrf2を題材にした事例研究
- 多段階のバーチャルスクリーニング・カスケード(AIによる共構造予測〔コフォールディング〕モデルと学習型アフィニティ・スコアリングを組み合わせた手法)は、計算創薬においてすでに標準的な手法となっている。
- 各段階のスコアは、その意味するところを独立に検証されないまま、そのまま信頼されて候補化合物の選別・絞り込みに使われることが多い。
- 本プレプリントは、Keap1–Nrf2タンパク質間相互作用を題材として、各段階のスコアが実務者にとって信頼できる情報を実際に持っているかどうかを、段階ごとに体系的に検証している。
- 著者らは、カスケードの各段階で生じる失敗パターンを整理し、これらのパイプラインがどこで、なぜ誤りうるかについて品質管理の観点から考察している。
今どのスクリーニングも、co-folding予測とMLスコアリングを組み合わせたカスケードを回すのが当たり前になっていて、正直、各ステージをいちいち検証するのは面倒なので、最終的なランキングをそのまま信じてしまいがちだ。 このプレプリントが突いているのはまさにその習慣で、Keap1-Nrf2という、平坦で浅いPPI界面ゆえにドッキングやファーマコフォア法でも昔から手を焼いてきたターゲットを使い、スコアリングのアーティファクトが表に出やすいストレステストとして検証している。 アブストラクトの枠組みが正しければ、伝えたいメッセージは「これらのツールを使うな」ではなく「各ステージが実際に何を測っているか分からないまま、単一の複合スコアを鵜呑みにするな」ということだろう。ポーズの確信度、親和性ランキング、物理的な妥当性はそれぞれ別物で、それらを混同することが偽陽性を上位に押し上げる原因になる。 詳細な方法論と失敗モードの内訳が公開されたら、改めて見直す価値がある——現時点ではまだ情報が薄い。
ベンチマーク研究、Keap1-Nrf2標的のAIスクリーニングに潜む落とし穴を指摘
- 構造ベースのコフォールディング(co-folding)モデルと学習型アフィニティスコアリングを組み合わせたバーチャルスクリーニングのパイプラインを検証する新しいベンチマーク研究が発表された。こうした構成は計算によるヒット探索で近年一般的になっている。
- このカスケードは、平坦で極性の高い結合界面を持つためドラッグ化が難しいとされるKeap1-Nrf2タンパク質間相互作用(PPI)を対象に適用された。
- 著者らは最終的なランキング結果のみを信頼するのではなく、各段階のスコアが実験的に意味のある信号と一致しているかを個別に評価した。
- その結果、各段階のスコアが実験的信号から外れる具体的な破綻パターンが特定され、これが後段の化合物優先順位付けを誤らせる可能性があることが示された。
- 本論文は、カスケードの最終的なヒットリストを信頼する前に実務者が各段階で実施すべきコントロールチェックを提案しており、新規阻害剤の報告ではなく、手法・信頼性に関する研究として位置づけられている。
Keap1-Nrf2は、まさにco-foldingモデルが自信満々にそれっぽいポーズを出し、affinityスコアがそれを的外れな理由でトップに押し上げてしまう、平坦で極性の強いPPIそのものだ。だからこそ、カスケードを段階ごとに分解して検証したこの論文は、「ヒットを見つけた」という論文よりずっと実用的に思える。 自分のベンダー製・自社製パイプラインの上位20化合物を合成キューに乗せる前に走らせるチェックリストとして読みたい。co-folding信頼度とaffinityスコアが静かにズレ始めているなら、それこそ実体のない化合物に何週間も溶かしてしまう典型的な失敗パターンだ。 新しい化学構造も追うべき結合モードもない。あるのはただ、このクラスの厄介な標的では、ランキングされたリスト自体はQCステップではないという注意喚起だけ。「注文前に読む」案件であって、「阻害剤として読む」案件ではない。
新手法STELLAR、長く柔軟なペプチドリガンドのドッキング精度を向上
- 研究者らは、10残基を超える長く非常に柔軟なペプチドやその他のバイオポリマーのドッキングという、既存ツールが苦手としてきた課題に対応する新しいワークフロー「STELLAR」を開発した。
- STELLARは長いリガンドを小さなフラグメントに分割してそれぞれを個別にドッキングし、その後GNINA、RDKit、GROMACSなどの既存ソフトウェアを用いて再構成し、物理的に妥当な全長構造を得る。
- Propediaデータベースおよびタンパク質データバンク(PDB)由来の既知のペプチド-タンパク質複合体で検証したところ、実験的に観察された結合ポーズを高い精度で再現した。
- 他の最先端ドッキング手法と比較して、主にCPUで動作し、リガンド長に対して計算時間が線形にスケールし、実行速度も速く、独自のランキング指標を備えているため、長鎖ポリマーとタンパク質の相互作用のハイスループットスクリーニングに適している。
標準的なドッキングツールへの信頼が切れるのは、だいたい10残基あたりからだ。それを超える鎖はコンフォメーション自由度が大きすぎて、結局は手動で制約をかけるか、諦めるかのどちらかになる。フラグメントに分割して再構築するアプローチは理にかなっていて、ブラックボックスのニューラルネットではなくGNINA/RDKit/GROMACSを使っているので、中間ポーズを実際に確認できるのも良い。CPUのみで線形にスケールするという点が実務上は一番重要で、GPUキューの順番待ちもクラウド代もかからず、ステープルペプチドのライブラリをワークステーションで一晩流せる。多くのML系ドッキングツールはスコアを出すだけで信頼できるランキングの根拠がないが、長鎖リガンド専用のランキング指標があるのは他にはあまり見ない。とはいえPropedia/PDBのベンチマークは既知の複合体であり、結晶構造のポーズを再現できることと、構造未解明の標的に対して新規バインダーを正しくランキングできることは別問題だ。まずは試してみる価値はあるが、鵜呑みにして即採用するのは早計だろう。
STELLAR: A Fragment-Based Docking Workflow for Highly Flexible Long-Chain Biopolymers ↗
AI創薬パイプライン、アルツハイマー病標的CASP4阻害剤の再利用候補を同定
- アルツハイマー病に関連する炎症性カスパーゼCASP4を標的に、DrugBank化合物から阻害剤候補を探索する計算機ドラッグリポジショニング・パイプラインが構築された。
- このワークフローは、ドッキングスコアによる優先順位付けと、ChemBERTaによる言語モデル埋め込み、物理化学的記述子を組み合わせて機械学習分類器を訓練した。
- ランダムフォレスト分類器と回帰モデルを用いて、活性が高いと予測される化合物を識別し、予測効力に基づいてランク付けした。
- さらにケモインフォマティクス解析、PK-PD評価、分子ドッキングにより、候補化合物を5つに絞り込んだ。
- 続いて分子動力学(MD)シミュレーションとMM/PBSA自由エネルギー解析により結合安定性を評価し、DB05316とDB00519の2化合物が、参照化合物ドネペジルより良好な予測結合を示した。
- 著者らは、本パイプラインを新規標的に対する再利用化合物の優先順位付けのための汎用戦略として提示している。
ドッキング→ChemBERTa埋め込み→ランダムフォレスト→MD/MM-PBSAという5段階のファネルで2化合物まで絞り込む、というのは一見堅実に見えるが、各段階にそれぞれ固有の誤検出率があり、フィルタを重ねても誤差が相殺されるとは限らない。特にMM/PBSAで構造的に無関係なリガンド同士を絶対値比較するのは、ランキング指標として悪名高いほど不安定だ。フィルタを重ねるほど、むしろ偽陽性を磨き上げてしまうリスクもある。 これが今のAI創薬トレンドの中でどこに位置するかと言えば——新規骨格の創出ではなく、既知化合物空間のトリアージを高速化する話であり、これはこれで正当な、伸びつつあるニッチだ。 本当の強みはDrugBank由来であること。DB05316とDB00519はすでにADMET・安全性・製剤データを備えており、候補化合物からIND対応作業に進む過程で合成やトキシコロジーパッケージを新たに用意する必要がない。 とはいえ、結合アッセイなしにはどれも意味を持たない。CASP4活性が生化学的に確認されるまでは、これはランク付けされた仮説リストであり、ヒットではない。
ChemBERTaによる仮想スクリーニングでアルツハイマー病治療に転用可能なCASP4阻害剤候補を同定
- リガンドベースの仮想スクリーニングパイプラインにより、DrugBankからCASP4阻害剤候補を探索。ドッキングスコアによる優先順位付けに、SMILES由来のChemBERTa埋め込みと物理化学的記述子を組み合わせた。
- ChemBERTaと物理化学的特徴を統合したランダムフォレスト分類器が活性/非活性化合物を高精度に識別し、上位ヒットの中で活性化合物を効果的に濃縮した。
- 実験的pIC50値で学習した対のランダムフォレスト回帰モデルが、予測効力に基づき候補化合物を順位付け。
- ケモインフォマティクスによる絞り込み、PK-PD評価、分子ドッキングにより候補を5つのDrugBank化合物に絞り込んだ。
- 分子動力学シミュレーションとMM/PBSA自由エネルギー解析により、上位候補の安定した結合様式を確認。
- 本手法は、神経炎症やパイロトーシスに関与するカスパーゼであるCASP4を標的としたアルツハイマー病治療薬への、ドラッグリポジショニングの道筋を示す。
今回本当に評価したいのはDrugBank由来という出自であって、絞り込みの厳しさそのものではない——ドッキング、ChemBERTa/RF分類、MM/PBSAを生き残った5化合物はすでにADMETが分かっており、動物モデルに進むのに新規合成も要らない。これは通常のヒット探索ではなかなか得られないトラクタビリティの近道だ。CASP4のポケットはカスパーゼ共通の触媒Cys-Hisダイアッドなので、MDトラジェクトリが答えるべき本当の問いは、これらのスキャフォールドが本当にそのダイアッドに結合しているのか、それとも周辺のエキソサイトに乗っているだけなのか——結合エネルギーだけではそこは分からない。選択性は未解決のフラグだ。カスパーゼ1/3/4はフォールド相同性を共有しており、神経炎症の文脈でのオフターゲットカスパーゼ阻害は裏目に出かねない。手法面では、ChemBERTa埋め込みを古典的記述子に重ねてRFでトリアージするのは純粋なドッキングスコアによるランキングより理にかなったアップグレードだが、pIC50回帰モデルを学習分布の外まで信頼する前に、ホールドアウトのケモタイプ検証は見ておきたい。
可逆仕事メタダイナミクスが高速なヒット選別を実現、AI共フォールディングの「記憶バイアス」も浮き彫りに
- バーチャルスクリーニングでは、高速だが近似的なスコアリング関数に起因する偽陽性が課題となる一方、それを排除できる高精度な自由エネルギー計算は、日常的なハイスループット用途には依然としてコストが高すぎる。
- 著者らはCTMD(c(t)ベースのメタダイナミクス)を開発した。これは、短時間・独立した複数のメタダイナミクス軌道から得られる非平衡可逆仕事推定量c(t)を用いて結合安定性をランク付けする手法で、収束した結合自由エネルギーを必要としない。
- 多様な標的とケモタイプにわたり、CTMDは高速かつ移行性が高く、パラメータ調整をほとんど必要とせずに、頑健な初期エンリッチメントを示した。
- AI共フォールディング手法をベンチマークした結果、Boltz-2のエンリッチメントは訓練データとの類似性に比例し、活性部位を大きく改変しても同様の傾向が持続することが判明し、真の結合物理よりも記憶(メモライゼーション)に依存している可能性が示唆された。
- CTMDは、迅速なドッキング/共フォールディング手法と高コストな自由エネルギー計算の中間に位置するオープンソース手法として提案され、創薬キャンペーンにおける無駄なリソース消費の削減が期待される。
ドッキングと本格的なFEP計算の間にぽっかり空いていた「選別層」を、まさに埋めてくれる手法だ。ドッキングのスコアだけでは合成の優先順位をつけるには雑すぎるし、バーチャルスクリーニングのヒット全てにFEPを回すのは予算的にも納期的にも現実的でない。CTMDの短時間・独立したメタダイナミクス走行とc(t)推定量は、まさにそのギャップに収まり、実際にどの化合物を合成に回すかを変えうる——しかもクラスター規模の計算資源を要しない。オープンソースでチューニングもほぼ不要となれば、専門家が常駐しなくても導入できる。 Boltz-2に関する指摘は、AI共フォールディングを実際の意思決定に使う前に、チームに必ず共有したい内容だ。活性部位を改変しても訓練データとの類似度にエンリッチメントが連動し続けるということは、真の結合物理ではなく既知ケモタイプへのパターンマッチングをしている可能性がある。まさに我々が追い求めている新規スキャフォールドにとって、これは罠になりかねない。
Early-Enrichment Hit Discovery via Reversible-Work c(t) Estimation in Metadynamics (CTMD) ↗
多くの「バーチャルスクリーニング改善」は統計的ノイズに過ぎない可能性、事前登録研究が指摘
- 本プレプリントは、典型的な規模の構造ベース・バーチャルスクリーニング用ベンチマークにおいて、2つのプロトコル間のAUROCやエンリッチメントの差をどこまで統計的に区別できるかという、方法論上の根本的な問いを扱っている。
- 著者らは、ベンチマーク比較が当然信頼できるものだと仮定せず、まずこの解像限界(区別可能な最小の差)を直接測定した。
- 続いて、ドッキング・スコアリングプロトコルに対する6つの介入を事前登録し、それぞれを測定済みの解像限界と照らし合わせて検証した。事後的な「成功」報告ではない。
- この事前登録デザインは、バーチャルスクリーニング分野で時折見られる、ベンチマーク固有の小さな差を一般的な改善として提示してしまう選択的報告の問題を防ぐことを狙っている。
- 本研究は新規阻害剤や特定ターゲットを提案するものではなく、バーチャルスクリーニングの改善をどう評価すべきかを扱う方法論・厳密性の研究である。
- 実務上の含意として、公表されているバーチャルスクリーニング性能向上の主張の多くは典型的なベンチマークのノイズの範囲内に収まっている可能性があり、ヒット探索チームは単一ベンチマークでの改善主張を慎重に扱うべきだとしている。
VSベンダーの売り込みを測る物差しとして、今後はこの論文を使いたい。ベンチマークのAUROCやエンリッチメントのノイズフロアを超えられない『プロトコル改善』は、改善ではなくウェビナースライドで着飾ったコイントスに過ぎない。6つの事前登録された介入はハードルが高く、現実には自分たちのキャンペーン前に事前登録までする人はほとんどいないだろうが、少なくとも共同研究者には、見出しのAUROC上昇ではなく解像限界に対する効果量を報告してほしいと言える。自分にとって一番刺さるのは、co-folding系(Boltz-2など)の熱狂にも同じ検証が必要だという点だ。もしこれらのモデルがPDB近傍のケモタイプを単にパターンマッチしているだけなら、公開ベンチマークで古典的ドッキング/FEPに『勝った』というのも、汎化ではなく記憶に過ぎない可能性がある。この程度の証拠でFEPをブラックボックスに乗り換えるつもりはない。