新薬のデザインという探求において、科学者たちはしばしば、見たこともない鍵穴に対して完璧な鍵を見つけようとするパズルのような課題に直面します。「鍵穴」とは、人体内のタンパク質であり、生物学的プロセスを駆動する複雑な分子機械です。「鍵」とは、薬物分子であり、そのタンパク質の特定のポケットに適合して、スイッチをオンまたはオフにする必要がある小さな化学構造のことです。これらの鍵を、何年も研究所で過ごすことなく見つけ出すために、研究者たちは「分子ドッキング」と呼ばれる手法を使用しています。これは、薬物分子がどのようにねじれ、回転し、タンパク質のポケットに落ち着くかを予測するコンピュータ・シミュレーションです。このプロセスには主に2つの部分があります。第一に、コンピュータは分子が最もよくフィットする場所を見つけるために、数百万もの可能な位置を探索しなければなりません。第二に、そのフィット具合をスコア化し、その薬物がどれほど強くタンパク質に結合するかを推定する数値を割り当てなければなりません。もしコンピュータがこの相互作用を正確に予測できれば、試験管に一度も触れることなく、膨大な化学物質のライブラリをスクリーニングして、有望な候補薬を見つけ出すことができます。
スタンフォード大学の研究者によって開発された「PandaDock」という新しいオープンソース・プラットフォームは、この課題に対する新たなアプローチを提示しています。チームは、厳密な探索エンジンと、分子の形状を理解するために設計された現代的なタイプの人工知能を組み合わせたシステムを構築しました。簡略化されたルールに依存する古いツールとは異なり、PandaDockは薬物分子を、人間の腕の関節のように、動くパーツを持つ柔軟な物体として扱います。ソフトウェアは、分子がタンパク質のポケット内を移動する間、これらの関節がどのように曲がり、回転できるかを探求します。これを効率的に行うために、分子が移動する際のエネルギーの変化を計算する数学的手法を用いており、これにより、推測に頼ることなく最も快適な位置を見つけることができます。また、研究者たちはタンパク質の表面に関する特殊なマップを作成し、薬物の異なる部分がタンチタンパク質とどのように相互作用するかを事前計算しました。このマップは非常に迅速に構築されるため、従来の方法よりも6倍から10倍近く速く、同じタンパク質を標的とする異なる薬物に対して保存および再利用が可能であり、大規模な薬物探索において大幅な時間を節約できます。
PandaDockの核心的な革新は、フィットの質をどのように判断するかという点にあります。研究者たちは、74万組以上のタンパク質と薬物のペアを含む膨大なデータセットを用いて、パターンを学習する一種の人工知能である高度なニューラルネットワークを訓練しました。このネットワークは、原子間の微妙な幾何学的関係を認識するように教えられ、その形状と化学的特性に基づいて、薬物がどれほど強く結合するかを予測することを学習しました。14の主要な生物学的ターゲット・ファミリーを代表する814の異なるタンパク質と薬物の組み合わせでテストした際、システムは半数以上のケースで薬物の正しい位置を見つけられることを示しました。しかし、研究では、「良い位置を見つけること」と「最高のものを選ぶこと」の間の決定的な違いが明らかになりました。探索エンジンは57%のケースで完璧に近いフィットを見つけることに成功しましたが、スコアリング・システムがそのフィットをトップの選択肢として特定できたのは、約34%のケースに過ぎませんでした。このギャップは、コンピュータが可能性を探索することには長けているものの、それらが同じグループ内に存在する場合、非常に優れたフィットと、最高に優れたフィットを区別することには依然として苦慮していることを示唆しています。
研究者たちは、彼らの人工知能モデルが、薬物の有効性を決定する値である、薬物とタンパク質の間の実際の結合強度を予測できるかどうかに特に強い関心を持ちました。彼らは、実験的な結晶構造と測定された結合強度を含む現実世界のデータを用いて、モデルをテストしました。結果は勇気づけられるものでしたが、微妙な差異もありました。モデルは結合強度の予測において中程度の能力を示し、ランダムな推測や、薬物の化学式のみを見る単純なベースラインよりも優れた性能を発揮しました。しかし、単一の特定のターゲットに対して薬物の順位を付ける際、確立された古い手法を上回ることはありませんでした。単一の受容体を標的とする30種類の化合物を含む直接比較において、この新しい人工知能モデルは、いくつかの伝統的なスコアリング手法よりも低い順位となりました。この発見は、注意喚起として機能します。つまり、モデルは一般的な結合親和性を推定することには優れていますが、生成された形状のリストから最高のポジションを選択したり、再ランク付けしたりするためのツールとして使用するには、まだ信頼性が不十分であるということです。著者らは、最高のポーズを選択するためには、伝統的なスコアリング手法が依然として優れており、新しいニューラルネットワークは、位置がすでに選ばれた後に結合の強さを推定するために使用するのが最適であると明示的に助言しています。
こうした限界はあるものの、本研究はプラットフォームの基礎となるテクノロジーが堅牢で汎用性があることを証明しています。モデルが一度も見聞きしたことのない4,600を超えるタンパク質と薬物の複合体を含む大規模な独立データセットでテストした際、システムは、モデルが単にトレーニングデータを暗記したのではなく、真の物理的原理を学習したことを示唆するレベルの精度を達成しました。研究者たちはまた、このようなモデルの評価におけるいくつかの落とし穴についても文書化し、特定のデータの偏りが、実際には存在しない高いパフォーマンスの錯覚を作り出す仕組みを示しました。探索プロセスとスコアリングプロセスを分離した透明性の高いオープンソース・ツールを提供することで、PandaDockは科学コミュニックティがこれらの知見の上に積み上げていくことを可能にします。それは、完璧な薬物の鍵を探すプロセスがより効率的になっている一方で、どの鍵が本当にベストであるかを判断するという最終ステップは、慎重な人間による解釈を必要とする複雑な課題であり続けていることを示す、明確な道筋を提示しています。
技術要約: PandaDock
問題提起
分子ドッキングは構造ベース創薬の要であり続けているが、依然として2つの持続的な課題に直面している。(1) 柔軟なリガンドのコンフォメーション探索において、サンプリング効率と精度のバランスを取ることが困難であること、そして (2) スコアリング関数が、正しい結合ポーズと誤ったポーズを区別できなかったり、多様なターゲットに対して結合親和性を正確に予測できなかったりすることが多い点である。AutoDock VinaやGNINAのような確立されたオープンソースツールはドッキングを民主化したものの、これらはしばしば有限差分勾配による最適化、計算コストの高い高密度グリッド評価、および（ポーズ選択と親和性ランキングを分離するような）厳密な評価コントロールを欠いた汎用性の低いスコアリング関数に依存している。
メソドロジー
PandaDockは、前処理、探索、スコアリング、解析の4つのレイヤーからなるモジュール式アーキテクチャを通じて、これらの制限に対処するために設計されたオープンソースプラットフォームである。
1. 解析的勾配を用いた柔軟なリガンド探索
- 表現: リガンドは、最大の剛体フラグメントに根ざしたトーションツリーとしてモデル化される。回転可能結合は、アミドおよび環状結合を除外したSMARTSパターンによって特定される。
- 最適化: 探索には、メトロポリス受理判定を伴う独立したモンテカルロ実行と、それに続くL-BFGS局所精緻化が用いられる。
- 解析的勾配: 主要な革新は、ステップサイズに敏感な有限差分に頼るのではなく、SO(3)指数写像の微分を用いた閉形式による回転勾配の計算である。これにより、6次元の剛体パラメータおよびトーション自由度の効率的な最適化が可能になる。
- 網羅性: 探索回数は回転可能結合の数に応じてスケールする（Nexh=clamp(8+2ntors,8,32)）。これにより、柔軟なリガンドに対して比例したサンプリングが保証される。
2. 高精度ブロックグリッドエンジン
- 効率性: 親和性グリッド構築を加速するため、PandaDockは「ブロック近傍選択」スキームを使用する。すべてのグリッドポイントをすべての受容体原子に対して評価する（高密度評価）代わりに、アルゴリズムはグリッドを3Dブロックで処理し、特定の到達半径内にある原子のみを選択する。
- パフォーマンス: この手法は損失がないことが証明されており（高密度評価とビット単位で同一の結果を生成）、5.6〜9.7倍の高速化を実現している。
- キャッシュ: グリッドは、受容体の座標、半径、グリッド幾何学、およびリガンド原子のシグネチャキーに基づいてキャッシュされる。これにより、同じサイトにドッキングする複数のリガンドに対してグリッドを再利用でき、グリッド生成のコストを償却できる。
3. SE(3)等変グラフニューラルネットワーク (GNN) スコアリング
- アーキテクチャ: スコアリング関数は、タンパク質とリガンドのノードタイプを持つヘテロジニアスGNNである。物理的な回転および並進不変性を強制するために、6層のE(n)等変メッセージパッシング（EGNN）を利用している。
- 学習データ: モデルは、SAIRデータセットに含まれる741,706個の共折り畳みタンパク質-リガンド複合体を用いて学習されている。
- 分割戦略: 極めて重要なことに、データセットはターゲット配列によって分割（ターゲット非依存分割）されている。これにより、テストセット内のリガンド-ターゲットペアが、学習セットのタンパク質配列と共有されないことを保証している。これは、モデルがターゲット固有の親和性傾向を単に記憶してしまうことを防ぐためである。
- 特徴量: ノード特徴量には元素タイプ、原子タイプ、ハイブリダイゼーション、残基タイプが含まれ、エッジ特徴量には距離、結合タイプ、相互作用フラグが含まれる。
4. 特殊モジュール
本プラットフォームには、以下のための統一されたコマンドラインインターフェースが含まれている：
- 誘導適合（Induced-fit）ドッキング: ソフトドッキングに続くサイドチェーン精緻化。
- 金属配位: 金属中心（八面体、四面体、平面四角形）に対する距離制約。
- テザード（Tethered）ドッキング: リガンド重心に対する調和制約。
主な結果
ドッキング精度（ポーズ回収）
14のターゲットファミリーにわたる814個のタンパク質-リガンド複合体のベンチマークにおいて：
- サンプリング vs. 選択: クリスタル構造の幾何学的構造から2 Å以内のポーズは、返されたアンサンブル内で**57.0%のケースで見つかっている。しかし、スコアリング関数がこのポーズを第1位にランク付けしているのはわずか33.7%**である。
- 示唆: 主要なボトルネックは、コンフォメーションのサンプリングではなく、ポーズのランキング（選択）である。 「ベスト・オブ・N」と「トップ1」の精度の差は、ターゲットクラスによって異なる（例：核内受容体では13.8%、分子シャペロンでは37.0%）。
- 性能: 精度はポケットの特性と相関する。深い疎水性ポケット（核内受容体）は高い精度（トップ1で83.1%）を示すが、浅く溶媒に露出したサイト（イオンチャネル、E3リガーゼ）は低い精度（<20%）を示す。
親和性予測（スコアリング）
- SAIRテストセット: ターゲット非依存分割された90,219個の保持済み複合体において、GNNはプールされたピアソン r として0.407を達成した。
- コントロール: 「ターゲット平均」予測器（リガンドを無視するもの）は r=0.541 を達成しており、マルチターゲット分割におけるプールされた相関が誤解を招きやすいことを示している。「リガンド記述子のみ」のベースラインは、ターゲット内中央値 r が0.196であるのに対し、GNNは0.237を達成した。この改善は統計的に有意であるが、緩やかである。
- 実験的転移: 測定された結合定数（Ki,Kd,IC50,EC50）を持つ20個の独立した結晶構造に適用した場合、モデルは r=0.467 を達成した。しかし、絶対的な精度は限定的であり（RMSE ≈ 1.81 pK ユニット）、モデルは予測値を平均へと圧縮する傾向がある。
- 前向きなGABAAシリーズ: 単一のGABAA受容体に対する30化合物のシリーズにおいて（ポーズは独立して生成された）、GNNは r=0.356 を達成した。これは、テストされたすべてのAutoDock VinaおよびVinardoの設定（r=0.673 から $0.822$ の範囲）よりも劣っていた。これは、GNNが単一ターゲット内でのリガンドランキングにおいて、古典的な経験的スコアリングを凌駕できないという「ターゲット内天井」が存在することを確認している。
- PDBbind検証: PDBbind v2020 精緻化セット（n=4,640）において、完全に独立したSAIRモデルは r=0.531 を達成した。PDBbindに特化して学習されたモデル（ターゲット非依存）は、自身の保持テストセットに対して r=0.690 を達成しており、汎化は可能であるが、学習分布に強く依存することを示唆している。
ポーズ再スコアリング
研究では、GNNが20個のポーズを再スコアリングすることでポーズ選択を改善できるかどうかを明示的にテストした。
- 結果: GNNによる再スコアリングは、経験的スコアリング関数よりも確実に劣っていた。GNNは60%のケースでより劣ったポザを選択し、中央値のRMSD増加は+0.905 Åであった。
- 理由: モデルは近接ネイティブな共折り畳み構造のみで学習されており、誤った幾何学的構造（デコイ）にさらされていないため、分布外のポーズを効果的に罰することができない。
計算パフォーマンス
- ブロックグリッドエンジンにより、代表的なドッキング実行が約274秒から約99秒に短縮された。
- グリッドキャッシュにより、6つのリガンドシリーズのドッキングコストが29.3秒から10.4秒に減少した。
- 複雑体あたりの中央実行時間は334秒（CPU）である。
重要性と主張
著者らは、PandaDockをあらゆる指標ですべての既存手法を凌駕する「魔法の弾丸」としてではなく、分子ドッキングとスコアリングの現在の最先端の状態を明確にする、厳格でオープンソースのプラットフォームとして位置づけている。
- ボトルネックの明確化: 本研究は、柔軟なリガンドのドッキングにおいて、主要な失敗モードはサンプリングではなく、ポーズのランキングであることを示している。探索エンジンは正しいポーズを見つける能力があるが、スコアリング関数がそれを識別することに苦慮している。
- 学習されたスコアリングの限界: 本論文は、大規模なデータセット（ターゲット非依存分割）で学習されたGNNベースのスコアリング関数であっても、単一ターゲット内でのリガンドランキングにおいて、古典的な経験的スコアリング関数（Vinaなど）を一貫して上回ることはできないという強い証拠を提示している。GNNの強みは、事前選択されたポーズに対する親和性推定にあり、ポーズの再スコアリングやポーズ選択にはない。
- 方法論的厳密性: 著者らは、プールされた相関メトリクスを誤解することを避けるために、ターゲット平均予測器やリガンドのみのベースラインといった評価コントロールの必要性を強調している。また、公開データセットにおける検閲されたラベル（censored labels）の危険性についても指摘しており、それがパフォーマンス指標を人工的に膨張させる可能性があることを強調している。
- オープンサイエンス: PandaDockは、完全なコマンドラインインターフェース、再現可能なベンチマーク用ハーネス、および個別の複雑体ごとの結果と共にリリースされており、コミュニティが報告された手法の「天井」を独立して検証することを可能にしている。
要約すると、PandaDockは高性能な探索エンジンとスケーラブルな等変スコアリングを提供しているが、著者らは控えめに結論付けている。すなわち、学習されたスコアリング関数は、現在のところポーズの再スコアリングには適しておらず、単一ターゲット内でのリガンドをランク付けする能力は、確立された経験的手法と比較して限定的であるということである。
毎週最高の bioinformatics 論文をお届け。
スタンフォード、ケンブリッジ、フランス科学アカデミーの研究者に信頼されています。
受信トレイを確認して登録を完了してください。
問題が発生しました。もう一度お試しください。
スパムなし、いつでも解除可能。
週刊ダイジェスト — 最新の研究をわかりやすく。登録