Development and large-scale benchmarks of a protein-ligand absolute binding free energy toolkit

本研究では、高計算コストと大規模検証の欠如という課題を克服し、ゼロショット設定で相対結合自由エネルギー法に匹敵する性能を示すオープンソースの自動化ツールキット「Felis」を開発し、43 種類のタンパク質と 859 種類のリガンドを含む大規模データセットおよび KRAS(G12D) などの難易度の高いケースでその有効性を実証しました。

要約

この論文は、「薬の候補物質が、病気の原因となるタンパク質にどれくらい強くくっつくか」を、スーパーコンピュータを使って正確に予測する新しいツール「Felis（フェリス）」を開発し、その性能を大規模に検証したという内容です。

専門用語を避け、日常の例え話を使って解説します。

1. 背景：なぜこの研究が必要なのか？

薬を作る際、最も重要なのは「薬の分子（鍵）」が「病気のタンパク質（鍵穴）」に、どれくらいぴったりとハマるかを知ることです。

• これまでの方法（相対結合自由エネルギー）：
  今までの主流は、「A という薬」と「B という薬」を比べる方法でした。

  • 例え： 「A 君と B 君、どちらが背が高いか？」を測るには、二人を並べて比較すれば簡単です。でも、「A 君と B 君」が似ている（同じ家族のような）必要があります。全く違う人（例えば、子供と大人）を並べても、正確な比較は難しいのです。
  • 限界： 全く新しい構造の薬（新しい家族）を見つけたいときは、この方法が使えません。

• 今回目指した方法（絶対結合自由エネルギー）：
  「A 君」だけで、「A 君の背の高さ」を絶対的な基準で測る方法です。

  • メリット： 似ている薬同士だけでなく、全く違う薬でも、一つずつ「鍵穴にどれくらいハマるか」を評価できます。
  • 課題： これまでは、計算に時間がかかりすぎる（何日もかかる）し、設定が難しすぎる（専門家の手作業が必要）ため、実用化されていませんでした。

2. 解決策：新しいツール「Felis」の登場

研究チームは、**「Felis（フェリス）」**という新しいツールを開発しました。

• 自動運転カーのようなもの：
  従来の方法は、運転手が常にハンドルを握り、細かく調整する必要がありました。Felis は**「自動運転」**です。薬の構造を入力すれば、あとは勝手に計算して、結果を返してくれます。
• ゼロショット（ゼロからの挑戦）：
  通常、新しい計算をするときは、過去のデータに合わせて「力場（分子の動き方のルール）」を微調整する必要があります。しかし、Felis は**「微調整なし」**で、どんな新しい薬に対しても、最初から正確に計算できることを証明しました。まるで、初めて見る料理の材料でも、レシピなしで美味しい料理を作れる天才シェフのようなものです。

3. 大規模テスト：43 種類のタンパク質、859 種類の薬で試す

開発した Felis を、本当に使えるかどうかテストしました。

• テスト内容：
  世界中の研究者が作った、43 種類のタンパク質と 859 種類の薬のデータセットを使ってテストしました。これは、これまで絶対結合自由エネルギーで行われたテストの中で最大規模です。
• 結果：
  • 精度： 従来の「相対比較」の方法（業界の最高峰）と同等の精度を達成しました。
  • スピード： 従来の方法が 20 時間（またはそれ以上）かかる計算を、Felis は3 時間程度（3 回の実行を並列化）で終わらせました。
  • 結論： 「自動運転」でも、熟練のドライバー（手作業）と変わらない、あるいはそれ以上の結果が出せました。

4. 難問への挑戦：KRAS（がんの鍵）

さらに、非常に難しいケースでテストを行いました。

• 難問： KRAS というタンパク質は、がん治療の重要なターゲットですが、結合する場所が浅く、電気を帯びた複雑な分子が絡み合っています。これは「滑りやすい氷の上で、小さな磁石を正確に置く」ような難しい作業です。
• 結果： Felis はこの難問に対しても、計算を安定して行い、実験結果とよく一致する予測を行いました。これは、Felis が**「どんなに複雑な状況でも、自動で正確に計算できる」**ことを示しています。

5. まとめ：これがなぜ重要なのか？

この研究は、**「薬の候補をコンピュータで選りすぐる（スクリーニング）」**というプロセスを大きく変える可能性があります。

• これまでの壁： 「新しい薬の候補が見つかったが、計算が難しすぎて、実験するかどうか決められない」という状況がありました。
• Felis の貢献：
  • 誰でも使える： 専門家じゃなくても、自動で正確な結果が得られます。
  • コスト削減： 計算時間が短縮され、実験にかかるお金と時間を大幅に節約できます。
  • 新しい薬の発見： これまで見逃されていた「全く新しい構造の薬」を、効率よく見つけることができるようになります。

一言で言うと：
「薬の候補を、**『鍵と鍵穴』の関係で、『自動運転』**のように正確かつスピーディにチェックできる新しいシステム」が完成し、それが世界最高峰の精度を持つことが証明された、という画期的な研究です。これにより、未来の新しい薬が、もっと早く、安く、見つけられるようになるでしょう。

技術概要

この論文は、ByteDance Seed によって開発された、タンパク質 - リガンド結合自由エネルギー（ABFE）の計算を自動化し、大規模に実行するためのオープンソースツールキット「Felis」の開発と、大規模ベンチマークによる検証について報告しています。

以下に、論文の技術的要点を問題定義、手法、主要な貢献、結果、意義の観点から詳細に要約します。

1. 問題定義 (Problem)

• ABFE の現状と課題: 相対結合自由エネルギー（RBFE）計算は、共通のスキャフォールドを持つリガンド間の相対的な結合親和性を予測する際、高精度かつ効率的ですが、スキャフォールドが異なるリガンド（スキャフォールドホッピング）には適用が困難です。一方、絶対結合自由エネルギー（ABFE）はスキャフォールドの制約を受けずに各リガンドを独立して評価できるため、ハイスループットなヒット発見に理想的です。しかし、ABFE は計算コストが高く、サンプリングの収束が難しく、大規模な検証データが不足しているため、実用的なワークフローとして普及していません。
• 既存ツールの限界: 既存の ABFE ツールは、多くの場合、手動でのパラメータ調整や力場（フォースフィールド）の微調整を必要とし、ゼロショット（事前学習なし・ターゲット特化なし）での汎用性が低いです。また、大規模なベンチマーク（数十のタンパク質ターゲット、数百のリガンド）での検証例が極めて少ないです。

2. 手法と技術的アプローチ (Methodology)

Felis ツールキットの概要:

• 自動化とスケーラビリティ: Felis は、ABFE 計算の全プロセス（構造準備、拘束条件の設定、アルケミカル変換、シミュレーション、解析）を自動化するオープンソースツールキットです。
• 力場 (Force Field): タンパク質には AMBER ff14SB を、リガンドおよび補因子には ByteDance 社が開発したデータ駆動型の力場「ByteFF25」を使用しています。ByteFF25 は、結合項を量子化学データで訓練し、非結合項（電荷と vdW）は GAFF2 と同等の精度を維持しつつ、化学空間のカバレッジを向上させています。
• シミュレーションプロトコル:
  • 二重消去法 (Double Annihilation): リガンドを溶媒中とタンパク質結合部位でそれぞれアルケミカルに結合解除（decoupling）する標準的なプロトコルを採用。
  • 拘束条件 (Restraints): Boresch 型の拘束条件（距離、角度、二面角）を使用し、結合部位でのリガンドの位置を固定します。アンカー原子は、DSSP（二次構造）と ProLIF（相互作用解析）を用いて自動的に選択されます。
  • 電荷 neutrality: 電荷を持つリガンドの場合、「アルケミカル水分子」を導入して電荷のフラクションを相殺し、電荷保存則を維持します。
  • ハードウェア効率化: GPU 間の通信を排除した設計（No cross-GPU communication）を採用。アルケミカル経路を重なりを持つセグメントに分割し、各 GPU に割り当てて並列実行することで、クラウド環境での弾力的な実行とスケーラビリティを実現しています。
• ゼロショット設定: 本研究では、ベンチマーク対象の系に対して力場パラメータの微調整やアルケミカルスケジュール（λ スケジュール）のカスタマイズを行わず、厳密な「ゼロショット」条件で予測を行いました。

3. 主要な貢献と結果 (Key Contributions & Results)

大規模ベンチマーク (43 ターゲット、859 リガンド):

• データセット: Schrödinger 社の公開 RBFE ベンチマークデータセットから、ABFE 評価に適した 43 のタンパク質ターゲットと 859 のユニークなリガンドを選択。
• 性能評価: Felis-ABFE（3ns または 5ns × 3 反復）のランキング性能を、最先端の RBFE 手法（FEP+、20ns）と比較しました。
  • 結果: Spearman の順位相関係数（$\rho$）や Kendall の順位相関係数（$\tau$）において、Felis-ABFE は FEP+ RBFE と同等の性能を達成しました。
  • 効率性: 20ns の RBFE 計算に対し、Felis は 3-5ns の短時間シミュレーションで同等の精度を達成しており、計算コストの大幅な削減が可能であることを示しました。
  • 誤差: 偏り補正後の MAE（平均絶対誤差）や RMSE（二乗平均平方根誤差）も RBFE と同程度でした。

難易度の高いケーススタディ (KRAS(G12D)):

• 対象: 浅い結合ポケットと、高電荷を持つ補因子（GDP/Mg2+）およびジカチオン性リガンド（MRTX1133 など）を含む KRAS(G12D) 変異体。
• 結果: 10 個のリガンドセットにおいて、10ns のシミュレーションで Spearman $\rho \approx 0.76$、Kendall $\tau \approx 0.64$ を達成し、実験値と高い一致を示しました。特に、MRTX1133 の結合自由エネルギーが実験値（SPR 測定値）とよく一致することを確認しました。

力場電荷モデルの影響:

• AM1-BCC 電荷モデルと、より高精度な溶媒和自由エネルギーを目標とした ABCG2 電荷モデルを比較しましたが、ランキング性能に統計的に有意な差は見られませんでした。

4. 意義と結論 (Significance & Conclusion)

• ABFE の実用化への道筋: 本研究は、ABFE がスキャフォールドホッピングを含む初期段階のヒット発見において、RBFE と同等の信頼性を持って適用可能であることを初めて大規模に実証しました。
• ツールキットの完成度: Felis は、手動介入を最小限に抑え、力場やプロトコルの微調整なしに「すぐに使える（ready-to-use）」ツールとして機能します。これは、計算構造生物学に基づく創薬（SBDD）のワークフローにおける重要な進展です。
• 今後の展望: 結合ポーズの精度向上、プロトン化状態の自動決定、力場のさらなる改良（分極性の導入など）、および機械学習ポテンシャルとの統合が、ABFE の予測精度をさらに高める鍵となると指摘しています。また、マルチタイムステップ法（MTS）や水素質量再分配（HMR）などの技術導入による計算速度の向上も今後の課題として挙げられています。

総じて、この論文は、Felis ツールキットと ByteFF25 力場の組み合わせが、大規模かつ多様なタンパク質 - リガンド系において、高精度かつ効率的な絶対結合自由エネルギー予測を可能にする画期的な成果であることを示しています。