技術的概要：in silico 抗ウイルス薬発見のためのオープンソースツールのベンチマーク

問題提起

本論文は、パンデミックへの備えにおける決定的な欠陥、すなわちパンデミックの潜在性を持つウイルス科の大多数に対して承認された抗ウイルス薬が欠如しているという課題に取り組んでいる。ワクチンは主要な防御手段であるが、開発に長い時間を要すること、公衆の躊躇、そしてワクチン接種が困難な病原体（例：HIV、RSV）に対する防御力の欠如といった制限に直面している。さらに、適応免疫の発現には数週間を要するため、脆弱性の窓が存在する。

著者らは、薬の転用（ドラッグ・リポジショニング）と抗ウイルス薬の組み合わせ設計が、アウトブレイク中に効果的な治療法を迅速に展開するための最速の道であると主張している。しかし、この戦略は以下の要因によって阻害されている：

1. データ品質の問題: 既存の公開データセット（例：BindingDB）には、機械学習（ML）トレーニングに不適切な未処理のウイルスポリタンパク質を含む、顕著なノイズが含まれている。
2. 方法論的ばらつき: ウイルスタンパク質標的に対して特に、ML ベース、ドッキング、およびハイブリッドのオープンソース計算ツールを包括的に比較するベンチマークが欠如している。
3. 経済的障壁: 市場独占期間の制限と組み合わせ療法のライセンスの複雑さにより、転用に対する製薬インセンティブは低い。

手法

1. データキュレーションとポリタンパク質処理

著者らは、BindingDB、SMACC、および Heli-SMACC からデータを集約し、43,005 件のウイルスタンパク質 - リガンド結合測定値からなるカスタム高品質データセットを構築した。

• ポリタンパク質の課題: BindingDB 内のウイルス結合データの**31%**が、使用前に慎重に分割する必要があるポリタンパク質配列を含んでいたという重要な発見があった。多くのエントリでは、アッセイで使用される特定の機能ドメイン（例：メインプロテアーゼ）ではなく、大きなポリタンパク質（例：SARS-CoV-2 ORF1ab）を標的として記載していた。
• 解決策: チームは、ポリタンパク質のスライスとリガンド名を特定のタンパク質標的にリンクするマッピング関数を開発し、参照を検証するために LLM（Anthropic の Haiku）を活用した。
• データセットの構成: 最終的なデータセットには、トレーニング用の 43,005 件のレコードと、初期モデルチューニング用の Ki/Kd 値のみのホールドアウトテストセット 280 件のレコードが含まれる。

2. モデルの微調整

著者らは、分子に Chemformer、タンパク質に ESM-2 を使用するシーケンスベースの ML モデルであるDrugFormDTAモデル（Khokhlov ら、2025）を微調整した。

• トレーニング戦略: 彼らは元のアーキテクチャを再現し、4 つの個別のモデルをトレーニングしてアンサンブル化した。異なる学習率スケジュールを用いて、MSE および Huber 損失関数の両方をテストした。
• 目的: 元のトレーニングデータが哺乳類タンパク質を強く偏って含んでいたバイアスを克服し、ウイルスタンパク質に特化した汎用的な DTA モデルを適応させること。

3. ベンチマークフレームワーク

著者らは、10 種のウイルス（SARS-CoV-2、HIV、HCV、デング、ジカ、インフルエンザを含む）に由来する16 種のタンパク質標的を跨ぐ、853 種の抗ウイルス化合物からなる大規模で多様なテストセット上で、15 のオープンソースツールを評価した。

• ツールのカテゴリ:
  • ML/シーケンスベース: DrugFormDTA、Boltz-2、GatorAffinity、Interformer、DrugCLIP、Uni-Mol+GNINA。
  • ドッキング/物理ベース: GNINA、FlowDock、DiffDock、Protenix-Dock、AutoDock-GPU、Vina-GPU、Uni-Dock。
• 指標: 性能は、ピアソン相関（$r$）、スピアマン順位相関（$\rho$）、$Q^2$、RMSE、MAE、AUROC、および BEDROC を用いて評価された。
• データ処理: 異なる出力スケールを持つツール間での公平な比較を確保するため、生スコアを線形に再較正して$pK_d$単位に一致させた。

主要な結果

1. データクリーニングと微調整の影響

• DrugFormDTA の性能: 清掃され、ポリタンパク質が分割された抗ウイルスデータセット上で DrugFormDTA を微調整した結果、性能が大幅に向上した。ピアソン相関（$r$）は、ベースモデルの0.50から微調整済みアンサンブルの0.70に増加した。
• ポリタンパク質分割の必要性: トレーニングデータでポリタンパク質を分割しないことが、特定のウイルス標的へのモデルの一般化能力を著しく低下させることが、結果から浮き彫りになった。

2. オープンソースツールのベンチマーク

853 化合物のテストセットにおいて、性能はツールの種類と標的によって大きく異なった：

• 上位の ML パフォーマー: ML ベースのアプローチの中で、Boltz-2と微調整済みのDrugFormDTAが最高位にランクインした。
  • 微調整済み DrugFormDTA は$r = 0.701$を達成した。
  • Boltz-2 は全体として$r = 0.316$を達成したが、HIV 逆転写酵素では$0.68$と極めて良好な性能を示した。これは、おそらくその特定のタンパク質に対するトレーニングデータが豊富であったためと考えられる。
• 上位のドッキングパフォーマー: ドッキングアプローチの中で、GNINA（CNN スコアリング）が最も良く機能し（$r = 0.302$）、標準的な Vina や他の剛体ドッキングツールを上回った。
• 一般的な傾向:
  • ばらつき: 単一のツールがすべてのウイルスタンパク質で最良の性能を発揮したわけではない。性能は標的に強く依存していた（例：Boltz-2 は、おそらくトレーニングデータにおけるポリタンパク質の問題により、SARS-CoV-2 MPro では苦労した）。
  • シーケンス対構造: この特定のベンチマークでは、シーケンスのみのモデル（DrugFormDTA）が構造ベースのドッキング手法よりも一般的に優れていたが、GNINA のようなドッキングツールも競争力があった。
  • 失敗率: 一部のツール（著者の初期テストにおける DiffDock など）は、特定のポケットガイダンスなしにリガンドを活性部位に配置できず、相関がほぼゼロになった。

3. リソースの編纂

著者らは以下のものを編纂し、公開した：

• 2,096 種の承認済み小分子医薬品と3,311 種の承認済み医薬品全体（国際承認を含む）のライブラリ。
• COCONUT、LOTUS、FooDB などのソースから派生した、GRAS（一般に安全と認められる）化合物および天然物の包括的なデータセット。
• 研究用および承認済みの抗ウイルス薬を含む、antivirals-database.radvac.orgの公開ダッシュボード。

意義と主張

本論文は、抗ウイルス発見におけるオープンソースコミュニティのための基盤となるリソースとしての位置づけをなしている。その主な主張は以下の通りである：

1. データ整合性が最重要: 本研究は、「ゴミを入れればゴミが出る（garbage in, garbage out）」という原則が、ポリタンパク質の複雑さによりウイルス薬発見において特に顕著であることを実証している。著者らは、効果的な ML モデルをトレーニングするための前提条件として、慎重なキュレーション（ポリタンパク質の分割）を主張している。
2. オープンソースの妥当性: 本作業は、適切なベンチマークと関連データでの微調整が行われた場合、オープンソースツールが特定のウイルス標的に対して商業基準と同等かそれ以上の性能を達成しうるという実証的証拠を提供する。
3. 迅速な対応の基盤: 清掃されたデータセット、ツールのベンチマーク、転用可能な化合物のライブラリを提供することにより、著者らは、迅速な薬の転用パイプラインと組み合わせ療法の開発を行う研究者の参入障壁を下げることを目指す。
4. 限定的な範囲: 著者らは明示的に、自らの作業が基盤を提供するものの、de novo（新規）薬設計の問題を解決したとは主張していないと述べている。彼らは、この分野にはまだ単一の「最良」のアプローチが存在せず、最終的な選択には薬物化学の専門知識が不可欠であると強調している。また、ベンチマークはテストされたデータセットと標的固有のものであり、さらなる適応なしに将来のすべてのウイルスアウトブレイクに一般化を保証するものではないと指摘している。

本論文は、これらの技術と手法への投資が、抗ウイルス薬の迅速な同定と相乗的な薬物組み合わせの設計を可能にし、将来のパンデミックへの備えに不可欠であると結論付けている。