バーチャルスクリーニング・ドッキング
29件
コフォールディングモデルはリガンド位置が合っていてもタンパク質構造を外すことがある
- AlphaFold3、RoseTTAFold3、Boltz-2、Chai-1の4モデルを、立体配座状態が薬理を左右するキナーゼとClass A GPCRで評価した。
- 前向き評価とするため、4モデル全ての学習カットオフ後に公開された複合体と、比較用の既存構造1つを用いた。
- リガンドの位置が正しいことと、周囲のタンパク質構造が正確に予測されることは、系統的に別問題であることが示された。
コフォールディング構造にドッキングする人への警告ラベルがこれだ。リガンドの姿勢がもっともらしくても、DFG状態やGPCRの活性化状態が正しいとは限らない。配座こそが本質であるII型キナーゼ阻害剤やバイアス型GPCRリガンドで特に響く。SAR設計に使う前に、既知の配座マーカーで検証すべき仮説として扱うのが無難だ。
CHARMM-GUIに共有結合リガンドのドッキングを自動化するWebモジュール
- CGUI-CLDはAutoDock4を基盤とするCHARMM-GUIの新モジュールで、共有結合リガンドの準備、修飾、ドッキング計算を自動化する。
- 知識ベースのライブラリは66種のウォーヘッドと8種のアミノ酸に対応し、反応後のリガンド構造を手作業で作る必要がなくなる。
- 結果はブラウザ上のインターフェースで確認できる。
共有結合ドッキングは私の探索がよく止まる工程で、ウォーヘッドごとに結合付加体を作るのが面倒なため、つい勘で絞り込んでしまう。ブラウザ上で処理してくれるなら、システインポケットに対するウォーヘッド一式を午後のうちに順位付けできる。ただしスコアは反応性を捉えないので、速度論データと組み合わせたい。
CHARMM-GUI Covalent Ligand Docker as a Web-Based Molecular Docking Platform for Covalent Ligands ↗
3H-1,5-ベンゾジアゼピン誘導体がマイクロモル域の抗マラリア活性、標的候補にPfSET3
- 3H-1,5-ベンゾジアゼピン18種を合成し、クロロキン感受性・耐性の熱帯熱マラリア原虫で評価、HepG2毒性で初期の選択性を確認した。
- 複数の化合物が低マイクロモル域で活性を示し、最も強力な化合物と選択性に優れる化合物は別だった。
- 主要2化合物はヒトG9aへの阻害は弱く、ドッキング・MM-GBSA・MDで原虫PfSET3への結合を推定した。
低マイクロモルの細胞活性で選択性の幅も狭いなら、まだリードではなく出発点だ。標的の主張はドッキングに依存しており、仮説の域を出ない。原虫のエピジェネティック酵素を狙う珍しいケモタイプという点は面白い。次はPfSET3の生化学アッセイと、選択性に優れた化合物周りのSAR展開を見たい。
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 ↗
EGFRキナーゼ阻害薬の骨格からキナーゼ活性を除き、BAX阻害薬へ転換
- バーチャルスクリーニングで、ダコミチニブやゲフィチニブ類似骨格などのEGFR阻害薬がBAX結合候補として抽出された。
- 系統的な構造修飾でBAX阻害のSARを構築し、EGFRキナーゼ活性を大きく低減した。
- この系列は、試験管内・細胞・iPS由来脳オルガノイドでBAX阻害の改善を示し、薬物様性も良好だった。
BAXのような実行因子を阻害するのは難しく、実績あるキナーゼ骨格から出発するのは現実的だ。ただ勝負はEGFR活性が十分に消えているかで、キナーゼにも効く細胞保護薬は神経保護薬として使いにくい。BAXへの直接結合を示す直交的な証拠と、より広いキナーゼパネルでの確認が欲しい。
クライオEM構造に基づくポケット統合で、経口アロステリックSLC6A19阻害薬を創出
- SLC6A19/シンロミド複合体のクライオEM構造で見つかったアロステリックポケットを標的にバーチャルスクリーニングを行い、出発ヒットを得た。
- 別のクライオEM構造で見つかった一部重なる第二ポケットを踏まえ、両者を融合する類縁体を設計し、強力で選択的な経口化合物20に到達した。
- 化合物20はマウスよりサルのSLC6A19に対して活性が高いが、経口投与で尿中アミノ酸排泄を用量依存的に増加させた。
膜輸送体でこれほど構造主導の設計が綺麗に決まる例は少ない。クライオEMで見つけた2つのポケットを統合し、尿中の簡便な指標でin vivoのPDまで確認している。マウスで活性が落ちる点は効力試験では厄介だが、霊長類で活性が保たれるのは安心材料だ。次はアミノ酸枯渇に対する安全域を知りたい。
構造ベース手法はDEL学習MLの分布外汎化を救えるか:ベンチマーク研究
- 最近のNeurIPSコンペでは、DELデータで学習した上位MLモデルが分布外の化学空間に汎化できなかった。本研究は構造モデリングでそのギャップを埋められるかを検証する。
- 生物学的に多様な3標的と複数の合成形式のDELを用い、ML、Glideドッキング、GALigandDock、Boltz-2コフォールディングを比較した。
- MLは分布内では良好に機能し、論文の焦点は新規化学空間で各手法がどこまで持ちこたえるかにある。
ランダム分割では好成績なのに新規ケモタイプで崩れるDEL学習モデルは、DELキャンペーンから別シリーズを立ち上げようとする場面でまさに痛い目に遭う点だ。3標的は小規模なパネルだが、同一データで物理ベース手法と同条件で比較した点は有用。ライブラリが未サンプリングの骨格でMLトリアージをどこまで信頼するかの目安にしたい。
スキャフォールドホッピングで2-OG非競合型KDM6B阻害薬を発見、子宮頸がん異種移植で有効
- スキャフォールドホッピングに基づく仮想スクリーニングで、子宮頸がんで高発現するJmjC型脱メチル化酵素KDM6Bに対するジアリールピリミジン-グアニジン系列を見いだした。
- 最適化化合物は酵素阻害活性でGSK-J4に匹敵するが、2-オキソグルタル酸に対して非競合という点で、多くのJmjC阻害薬と作用様式が異なる。
- 酵素レベルではpan-KDM阻害を示したものの、C33A細胞ではH3K27me3を選択的に上昇させ、異種移植腫瘍の増殖を抑えた。
JmjC阻害薬は2-OG結合部位の化学と極性の重さに悩まされがちなので、非競合型の系列は別の出発点になる。酵素段階のpan-KDM活性が細胞でH3K27me3選択性に変わる理由と、グアニジンが膜透過性に与える影響を知りたい。
界面グラフニューラルネットが球状・天然変性タンパク質複合体の結合エネルギーを予測
- FlexENNは、残基ごとに幾何情報・柔軟性記述子・配列情報を持たせた局所界面グラフ上で動くメッセージパッシング型GNN。
- 折りたたみ型複合体用と天然変性パートナーを含む複合体用の2モデルを独立に学習し、新たにIDPデータセットを構築した。
- ベンチマークには、微小管内のチューブリン–チューブリン界面や微小管とMAPの複合体が含まれる。
折りたたみ型複合体で学習した親和性予測器は天然変性パートナーでは崩れやすく、専用のIDPデータセットこそが実質的な貢献だ。低分子スコアリングではなくタンパク質間界面の話なので、変異やペプチドバリアントの順位付けを安定して行えるかを試したい。
FragDockRL:強化学習でドッキング済みコアから合成可能なリガンドを伸長
- FragDockは、既知の反応で結合できる合成容易なビルディングブロックから分子を組み立て、あらかじめ定めたコアのポーズを拘束するテザードドッキングで評価する枠組みである。
- FragDockRLはこれに強化学習を加え、rDockによるテザードドッキングとSMINAスコアから得た報酬で、改良型Deep Q-Networkが段階的な分子伸長を導く。
- 受容体型チロシンキナーゼを含む、治療上重要な3つのタンパク質標的で評価された。
固定したコアから合成制約付きで伸ばしていくやり方は、実際のプロジェクトでのフラグメント展開そのもので、作れない構造を返す自由生成モデルより実用的だ。弱点はドッキング報酬が分子サイズを優遇しがちな点で、実際に合成できるか、前向き検証に耐えるかで評価したい。
ライブラリーの0.1%未満のスクリーニングでQPCT/L阻害薬BI-3614を獲得
- QPCTとゴルジ体局在のQPCTLはN末端グルタミンをピログルタミン酸へ変換し、Aβオリゴマー化、ケモカインの安定性、CD47–SIRPαシグナルに関わる。
- 既知阻害薬の生理活性コンフォメーションとの類似性に基づき、社内ライブラリーの0.1%未満を選ぶ仮想スクリーニングで新規ケモタイプが得られ、ヒット探索が大きく加速した。
- キナゾリジノン系列の構造ベース最適化により、従来の阻害薬より活性が向上した細胞用ツール化合物BI-3614が得られた。
ライブラリーの0.1%未満しか回さずに新しいケモタイプが出たのは、コンフォメーション類似性検索の効率の良さを示している。従来のQPCT阻害薬は金属結合基に依存していたので、細胞で働く新系列はCD47のピログルタミン酸化の研究に歓迎だ。まず確認したいのはQPCTとQPCTLの選択性である。
ポーズ予測の精度は、骨格あたり結晶構造約5個で頭打ちに
- オープンサイエンスのCOVID Moonshotによる403件のSARS-CoV-2主プロテアーゼ構造を用い、新規結晶構造をいくつ取得する価値があるかを検証した。
- 類似リガンドの参照構造が最良のポーズ予測を与え、成功率はBemis-Murcko骨格あたり約5構造で頭打ちとなり、リード系列では95%を超えた。
構造生物学に具体的な予算の目安を与える結果で、骨格あたり約5構造を超えると、追加のソーキングがポーズ予測に与える利得は小さい。ただしMproは剛直で扱いやすいポケットなので、柔軟なキナーゼや誘導適合型の標的にこの数字をそのまま当てはめるべきではない。
How Many Crystal Structures Do You Need to Trust Your Docking Results? ↗
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 ↗
Boltz-2共折り畳みで867化合物を40に絞り込み、大半が活性を示した仮想スクリーニング
- 共折り畳みモデルがドッキングに代わるトリアージ手段になるかを、がん関連酵素AKR1B10でBoltz-2を用いて検証した。
- 化学的に多様な867化合物から、予測親和性と多様性フィルターで40化合物を選んだ。
- 試験した化合物の約7割が低マイクロモル以下の阻害活性を示し、新規骨格を持つサブマイクロモル阻害薬も複数得られた。
40化合物で7割が活性というのは仮想スクリーニングとして目を引く数字だが、元のライブラリーが小さく、標的も疎水性で許容度の高いポケットを持つ酵素である点は割り引きたい。より難しい標的での再現と、同一化合物に対するドッキングのベースライン比較が見たい。それでも、評価数が現実的で新規ケモタイプも得られており、ヒット探索の手順として真似しやすい。
Efficient Discovery of Potent AKR1B10 Inhibitors Using Co-folding Model Boltz-2 ↗
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。
二段階の生成ダイナミクスが可能にする学習不要のAI創薬設計
- ベイズフローネットワークは、原子の種類と3次元座標を同時に生成することで、標的タンパク質ポケットに適合する分子を設計する。
- この2つのチャネルの挙動は異なり、原子種類は明確な転移点で急激に変化する一方、座標の精度は緩やかに向上する。この傾向は複数のモデルで一貫して見られた。
- この転移点のタイミングを利用した学習不要の改良手法により、標準的なベンチマークにおいて追加の予測モデルなしで既存手法に匹敵するドッキング性能を達成した。
この手法で評価すべきなのは、ターゲットごとの再学習が不要な点だ——それこそ多くの生成AIツールが自分のベンチに届く前に脱落する理由であり、相転移のタイミングに合わせるだけのトレーニングフリーな手法は試す価値がある。ただしベースラインのドッキングに「勝つ」のではなく「並ぶ」だけなのは合格ラインであって成果ではない——CrossDocked2020のスコアは合成可能性や実際の結合については何も教えてくれない。
Hierarchical Phase Transitions in Bayesian Flow Networks Enable Training-Free Molecular Design ↗
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。
ドッキング対決:物理ベース・共フォールディング・ハイブリッドモデルを徹底比較
- 物理ベースのドッキング、深層学習による共フォールディング、ハイブリッドリスコアリング手法が、未知のタンパク質標的や化学骨格に対してどれだけ汎化できるかを比較している。
- 従来の物理ベースドッキングが、真に新規な標的においていくつかの共フォールディング手法より優れていたとする最近のRuns-n-Posesベンチマークを踏まえている。
- ポーズ予測精度とランキング性能を評価し、標的の新規性に応じたドッキング戦略選択への実践的指針を提供している。
真に新規な標的では物理ベースドッキングが共フォールディング手法に依然として勝るという結果、これが何度も頭に浮かぶ——深層学習モデルはフォールディングの物理を解いているのではなく、PDBのカバレッジをパターンマッチしているに過ぎず、類似構造のない標的に当たった途端にそれが露呈する。共フォールディング手法がゼロアナログの事例で実証されるまでは、両方走らせて古典的スコアをタイブレーカーとして信頼する。
Multiparadigm Benchmark of Molecular Docking: From Physics to Co-Folding and Hybrid Models ↗
機械学習とドッキング法、DNAエンコードライブラリのスクリーニングで汎化性に課題
- 本研究は、DNAエンコードライブラリ(DEL)のスクリーニングデータを用いて、タンパク質-リガンド結合予測における機械学習、物理ベースのドッキング法、コフォールディング法を比較評価した。
- 比較対象には最新の機械学習モデルに加え、物理ベースのドッキングツール(Schrodinger Glide、Rosetta GALigandDock)、およびコフォールディング法のBoltz-2が含まれる。
- 正解データとして、3種類の生物学的に多様なタンパク質標的と複数のDEL合成フォーマットにわたる超大規模DELセレクション実験の結果が用いられた。
- 本研究は、DELデータで学習した上位のMLモデルでさえ分布外(OOD)の化学空間への汎化に失敗したとするNeurIPSコンペティションの結果を受けたものである。
- MLモデルは分布内では良好な性能を示したが、分布外でのヒット識別性能は標的やリガンドの文脈に依存し、あらゆる場合で一貫して優れた手法は存在しなかった。
- 著者らは、ベンチマーク上の性能だけでは分布外への汎化性を予測できないと結論し、DELスクリーニングデータに対する結合予測手法の評価用オープンソースパッケージ「DEL-iver」を公開した。
これは、ドッキングの再スコアリング工程を単一のMLモデルに置き換えたがる人に送りつけたくなる論文だ。「OODで圧倒的に強い手法はない」という結論がすべてを物語っている。実際のトリアージ作業は常に、モデルが見たことのないスキャフォールドが相手であり、分布内DELデータで出したベンチマークAUCは、来週持ち込む新規化合物をどうランク付けするかをほとんど教えてくれない。これはMLを否定する話ではない――Boltz-2のような手法は高速なフィルターとして本当に有用だ。だが、物理ベースのドッキングやコフォールディングは、MLが怪しいときだけ頼る保険ではなく、常に並行して走らせるべきだという根拠になる。ターゲットやリガンドの文脈依存性が強い以上、社内で「これが最良のパイプライン」と決め打ちすることもできず、ターゲットごと、ケミタイプごとに毎回検証するしかない。DEL-iverがオープンソース化されたのは実務的にありがたい話だ――ベンダーがTanimoto類似度で見栄えよく見せた社内数値を信じるより、共有のOODベンチマークの方がよほど頼りになる。
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。
大規模バーチャルスクリーニングで統合失調症標的TAAR1の新規強力アゴニストを発見
- TAAR1は、統合失調症治療における非ドパミン系の新たな薬剤標的として注目されているGタンパク質共役受容体(GPCR)である。
- 研究チームは、TAAR1の活性化状態モデルに対し、約6500万種の化合物を対象とした構造基盤バーチャルスクリーニングを実施した。
- 上位55化合物を実験的に検証した結果、14化合物がTAAR1アゴニストとして真の活性を示し、その効力はミッドナノモルからマイクロモルの範囲であった。
- その後のヒット化合物の最適化により、ナノモル濃度で効力を示すアゴニストが得られ、クライオ電子顕微鏡(cryo-EM)構造によってドッキングで予測された結合様式が確認された。
- 最適化された3つのアゴニストは高い脳内移行性を示し、その効力は臨床開発中のTAAR1標的抗精神病薬候補ウロタロント(ulotaront)を上回るとされた。
- マウスでは、これら3化合物がいずれもアンフェタミン誘発性のプレパルス抑制の乱れ(統合失調症モデル)を正常化し、従来の抗精神病薬に一般的な副作用であるカタレプシーを引き起こさなかった。
まず目を引くのは数字だ——6500万分子のドッキングスクリーニングから選ばれた55の上位ヒットを実験検証し、14個(約25%)が本物のTAAR1アゴニスト活性を示した。活性化状態モデルを使った構造ベースGPCRスクリーニングとしては驚くほど高いヒット率で、単なるドッキングスコア遊びではないことがcryo-EMによる結合ポーズの確認で裏付けられている。薬理プロファイルはさらに魅力的だ——脳内移行性が高く、ウロタロントを上回る効力を持ち、PPIアッセイでカタレプシーを誘発しない。これこそ非ドーパミン作動性という売り文句が実際に効いている証拠だ。ウロタロントはもはや全TAAR1アゴニストが超えるべき基準となったが、この3化合物はその基準を突破した。あとはこのSARが他の骨格にも一般化するかが見もの。
Structure based discovery of antipsychotic-like TAAR1 agonists ↗
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。
AI共折り畳みモデルBoltz-2でAKR1B10阻害剤を効率発見
- AKR1B10は複数のがん種で過剰発現するアルド・ケト還元酵素であり、有望だが攻略が難しい創薬標的とされている。
- 研究チームはAIベースのタンパク質-リガンド共折り畳みモデル「Boltz-2」を用いて、化学的に多様な大規模化合物ライブラリーを計算機上でスクリーニングし、実験対象となる少数かつ多様性のある候補化合物リストに絞り込んだ。
- この候補リストを実際に試験したところ、異例に高い割合の化合物がAKR1B10に対する阻害活性を示した。
- 確認された阻害剤の中には、サブマイクロモルレベルの高い効力を持ち、これまで報告例のない新規骨格を有するものも複数含まれていた。
- 本成果は、共折り畳みAIモデルが計算予測を実験的に検証されたリード化合物へと効率的に橋渡しする実践的手法であることを裏付け、力任せのスクリーニングへの依存を減らせる可能性を示している。
• 意図的に多様性を持たせた少数のショートリストで、そのほとんどが実際に阻害活性を示した。この打率はHTS的な「まぐれ」では説明がつかない。モデルが結合ポケットについて本当に何かを学習しているということであって、普段なら割り引いて見るドッキングスコアとは質が違う。 • 新規骨格は魅力的だが、興奮する前にSARを見たい。効力が単一の特権的フラグメントに依存しているのか、それとも本当に最適化できるベクトルなのか。前例のないケミオタイプでいきなりサブマイクロモルというのは、通常は改良の余地がある証であって、既知の還元酵素リガンドの行き止まりアナログではないはずだ。 • AKR1B10はAKR1B1(アルドース還元酵素)と近縁で、選択性がここでの本当の勝負どころ。オフターゲット毒性を抱えた「汚い」アルド・ケト還元酵素汎阻害剤は誰も欲しくない。 • これは1標的・1キャンペーンの結果に過ぎない。あまり協調的でない結合ポケットを持つ標的でも再現されるのを見るまでは、共折り畳みモデルをアンサンブルドッキングやFEPに代わる標準トリアージ手法として全面的に信頼するのは早い。有望だが、まだ証明されたわけではない——ただしヒット探索の潮流はこの方向に向かっている。
Efficient Discovery of Potent AKR1B10 Inhibitors Using Co-folding Model Boltz-2 ↗
マルチモーダルAIフレームワーク、薬剤耐性菌を標的に毒性スクリーニングも同時実施
- 抗菌薬耐性(AMR)により黄色ブドウ球菌(SA)や淋菌(NG)などの優先病原体に対する治療選択肢が狭まっており、新たな計算創薬ツールへの関心が高まっている。
- MAPViSは、分子グラフ、フィンガープリント、記述子/3D幾何学的特徴をゲート付き融合機構で統合するマルチモーダル深層学習フレームワークであり、約1000万分子を用いた階層的疑似ラベル分類とマスク付きグラフ対照学習により事前学習される。
- ファインチューニング後、SAおよびNGに対する抗菌活性と、3種のヒト細胞株(HepG2、HSkMC、IMR-90)における細胞毒性リスクを同時に予測する。
- ベンチマークおよび外部検証データにおいて、MAPViSはSAタスクで強い初期エンリッチメント性能を示し、上位10候補すべてが実験的に活性であることが確認された一方、NGへの汎化性能はより控えめであった。
- 著者らは、MAPViSを抗菌薬バーチャルスクリーニングを支援する、活性と毒性を統合的にモデル化するスケーラブルなツールと位置付けている。
リガンドベースで構造ベースではない――標的の立体構造情報はループに入っていないので、約1000万分子の事前学習ケモタイプを超えて未知の標的クラスに踏み込んだ途端、適用範囲が怪しくなると思う。活性と細胞毒性を同時に予測する仕組みは本当の差別化点だ。HepG2/HSkMC/IMR-90のフラグを同じランキングに組み込むことで、普段自分で回している毒性カウンタースクリーンの一手間が省ける――これは単なる便利機能ではなく、実際の時短だ。ただS. aureus(上位10件すべて実験で活性確認)とN. gonorrhoeae(「中程度」)の落差が本音を語っている。性能は病原体ごとの学習データ密度に引っ張られているだけで、本物の抗菌ケモタイプの直感ではない。未知の標的でこのランキングを信用する前に、病原体ごとのキャリブレーション曲線と確認済みの真陰性を見せてほしい。トップ10のヒット率だけでは足りない。安価なpre-HTSトリアージフィルタとしては使える。だが構造ベース設計や本物のカウンタースクリーンの代わりにはならない。
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。