PharmCast: rapid generation of three-dimensional pharmacophore fingerprints from two-dimensional structure without conformer generation
PharmCastは、コンフォーマー生成を行うことなく、2DのSMILES文字列から3Dファーマコフォア・フィンガープリントを迅速かつ正確に予測するフィードフォワードニューラルネットワークであり、従来の計算手法と比較して極めて低い計算コストで、効率的なバーチャルスクリーニングやスキャフォールドホッピングを可能にします。
原論文は CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは査読を受けていないプレプリントのAI生成解説です。医学的助言ではありません。この内容に基づいて健康上の判断をしないでください。 免責事項の全文を読む
創薬の世界において、科学者たちは薬を硬直した物体としてではなく、認識されるのを待っている一連の特徴の集合体として捉えることがよくあります。鍵が特定の鍵穴に似ている必要はなく、単にその機構に適合するような適切な凹凸を備えていればよい、という状況を想像してみてください。この「ファーマコフォア」として知られる概念は、分子が生物学的標的に結合する能力は、水素結合ドナー、アクセプター、あるいは芳香環といった、特定の三次元的なパターンで配置された少数の化学的特徴に依存していることを示唆しています。数十年にわたり、研究者たちはこの概念を用いて新しい薬を見つけ出してきました。つまり、基礎となる化学的な骨格が全く異なっていても、これらの空間的パターンを共有する化合物を探し出すのです。この、無関係な構造の間の類似性を特定する能力は、「スカフォールド・ホッピング（骨格変換）」と呼ばれるプロセスであり、既知の明らかな化学的経路がすでに探索し尽くされた場合に、新しい治療法を見つけ出す上で極めて重要です。
しかし、この三次元的な地図を用いることは、常に遅く、かつ高価なプロセスでした。分子は柔軟であり、多くの異なる形状へとねじれることができるため、コンピュータはあらゆる分子に対して、その分子が提示しうる数百もの異なる三次元的なバージョン、すなわち「コンフォーマー（配座）」を生成しなければなりません。この形状を生成するステップが、化合物を分析するために必要な時間のほぼすべてを占めており、現代の化学ライブラリにある数百万もの分子をスクリーニングすることを非現実的なものにしています。その結果、この強力な創薬手法は、慎重に厳選された小さなリストの中に限定されており、膨大な化学の海に対処することができていませんでした。
現在、ある研究チームが、このボトルネックを完全に回避する方法を開発しました。彼らは「PharmCast」と呼ばれるシステムを構築しましたが、これは分子の平坦な二次元的な図面から、その三次元的なポテンシャルへと直接翻訳する役割を果たします。分子が取りうるあらゆるねじれや回転を計算するために何時間も費やす代わりに、この新しい手法は、人工知能を用いて最終的な結果を瞬時に予測します。このシステムは、標準的なドラッグライク（薬物様）化合物、活性を持つ生物学的分子、そして柔軟なタンパク質のループを含む、約600万個の分子を用いて学習されました。これにより、分子の基本的な構造と、それが提示しうる三次元的な特徴との間の関連性を認識することを学んだのです。
結果は、このショートカットが速度のために精度を犠牲にしていないことを示しています。従来の遅い手法と比較した際、この新システムは、大多数の化合物においてほぼ同一の結果を出力しました。典型的なドラッグライク化合物の場合、従来のアプローチでは一つのフィンガープリントを生成するのに約3秒かかり、その時間の大部分は単に三次元的な形状を作成することに費やされていました。対して、新システムは同じタスクを1ミリ秒未満で完了します。これは数千倍のスピードアップを意味しており、巨大なライブラリに対して実行するのに数ヶ月かかるプロセスを、わずか数分で終わらせることを可能にします。
研究者たちは、このツールが異なる種類の化学においても機能することを保証するために、3つの異なる分子グループに対してテストを行いました。彼らは、標準的なスクリーニング化合物、実験室でテストされた活性生物学的分子、そしてモデリングが極めて困難とされる柔軟なタンパク質ループを評価しました。あらゆるケースにおいて、予測は低速な従来計算と高い忠実度で一致しました。標準的なドラッグライク化合物については、誤差は極めて小さく、ほとんど無視できるレベルでした。また、柔軟なタンパク質ループについては、それらが学習データに含まれていたためか、システムはさらに優れた性能を示しました。唯一、システムがわずかに変動を見せたのは、学習セットに十分に代表されていない、大きく複雑な生物学的分子を用いた場合でしたが、著者らはこれを手法自体の欠陥ではなく、学習に利用可能な特定の化学組成に起因するものだと指摘しています。
最も重要な発見の一つは、このシステムが、紙の上では全く似ていない分子同士の類似性を正常に識別できたことです。全く異なる化学構造を持つ2種類のHIV治療薬を用いたテストケースにおいて、システムはそれらが標的に対して同じ三次元的特徴を提示していることを正しく特定しました。これは、従来の二次元的な手法が見逃していた成果です。これは、このツールが単に化学的な形状を記憶しているのではなく、分子の空間的な本質を真に捉えていることを裏付けています。研究者たちは、参照分子に対して400万件以上の化合物ライブラリをスキャンすることで、この能力を実証しました。このタスクには30分足らずしかかからず、ヒットした上位の化合物には、構造は非常に異なるものの、同じ結合能を持つ化合物が含まれていました。これは、システムが新しい化学的出発点の探索を効果的に導けることを証明しています。
著者らは、このツールは非常に高速ではあるものの、より詳細で低速な計算を置き換えるのではなく、それらと併用するように設計されていることを強調しています。現実世界のシナリオでは、この高速なシステムを使用して数百万の候補をランク付けし、最も有望な少数のリストに絞り込みます。その後、それらのトップ候補に対して、従来のより低速な手法を用いて、正確な幾何学的構造を確認し、予測が妥当であることを検証します。この二段階のアプローチにより、科学者は計算コストに足止めされることなく、化学空間の全領域を探索することができ、同時に創薬に求められる厳格な基準を維持することができます。時間の障壁を取り除くことで、この研究は、三次元的な思考を、利用可能な化学の全宇宙へと適用することを可能にし、現在選択肢がほとんどない疾患に対する新薬発見を加速させる可能性を切り拓いています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。