配座依存のML電荷でMM-PBSAの親和性ランキングが改善
- 機械学習/分子力学の枠組みで、結合状態と配座に依存するML電荷を終点型自由エネルギー計算に取り入れ、二種類の埋め込み方式を用いる。
- JACSおよびMerckのベンチマーク集合から複数のターゲットを使った後ろ向き評価である。
- どちらの方式も従来のMM-PBSAよりも親和性の順位付けが良く、追加の計算コストは許容範囲だった。
- 電荷の出所を変えた対照実験とPTP1B複合体の解析から、局所的な静電環境をうまく扱えたことが改善の理由と示された。
💡 ポイント アブストラクトに基づく見解
まず読むべきは電荷の出所を変えた対照実験で、改善が分極を考慮した電荷によるものか、単に別の電荷モデルに替えた効果かを切り分けている。ただし評価は後ろ向きで、要旨にはリード最適化で標準的な錯体の自由エネルギー法(アルケミカルFEP)との比較が見当たらない。まずは親和性が分かっている自社シリーズで試したい。
Incorporating Polarization into ML/MM Endpoint Calculations for Protein–Ligand Affinity Ranking ↗