✨ 要約🔬 技術概要
新薬の探索は、長らく可能性という名の海に対して繰り広げられる運任せのゲームでした。科学者たちは、化学の世界には数兆もの潜在的な分子が含まれており、そこには単一の化合物が病気を治す鍵を握っているかもしれない広大な風景が広がっていることを知っています。数十年にわたり、標準的なアプローチは、これらの潜在的な薬の巨大なデジタルライブラリを構築し、コンピュータを使用してそれらをスクリーニングし、鍵と鍵穴の関係のように生物学的標的に適合するものを探すというものでした。しかし、この手法はある壁に突き当たります。コンピュータは、画面上では完璧に見えても実際の研究室で組み立てることが不可能な分子を提案したり、膨大なデータの中に隠された稀少で完璧な候補を見つけ出すことに失敗したりすることがよくあります。コンピュータが想像できることと、化学者が実際に作成できることの間の溝は、より迅速な創薬への行く手を阻む頑固な障壁であり続けてきました。
研究チームは今、分子を単に想像するだけでなく、作られることを前提として設計する新しいシステムによって、この溝を埋めました。彼らは「Hyper Screening X」と呼ばれる人工知能フレームワークを開発しましたが、これは従来のツールとは異なる仕組みで動作します。このシステムは、既製の選択肢の静的なリストをスキャンするのではなく、ガイド付きの建築家のように機能します。それは化学的構築の厳格なルールを理解しており、どのビルディングブロックが利用可能で、それらが現実世界の研究所でどのように結合できるかを正確に把握しています。これらの物理的な制約を思考プロセスに直接組み込むことで、AIは11兆個もの化合物からなる化学空間を探索します。これは、人間が一生をかけてもそのごく一部を確認することすらできないほど膨大な数です。このシステムは不可能な構造に時間を浪費することはありません。自動化された機械によって組み立て可能な分子のみを考慮することで、この兆単位のランドスケープをナビゲートし、生成されるすべてのアイデアが実験台（ラボ・ベンチ）に即座に出せるものであることを保証しています。
このアプローチが現実世界で機能するかどうかをテストするために、研究者たちは困難な生物学的標的に取り組みました。それは、細胞内のミトコンドリア内でグルタミンの輸送体として機能するSLC1A5_varと呼ばれるタンパク質です。このタンパク質は特定の種類のがんにおいて極めて重要ですが、その複雑な構造ゆえに、薬による標的化が非常に困難であることで知られていました。チームはAIに対し、このタンパク質をブロックしつつ、厳格な安全性と化学的基準を満たす分子を設計するよう命じました。システムは数百万の候補を生成し、標的に結合すると予測される度合いと合成の容易さに基づいて、上位23個を選定しました。これら23個のデザインは、その後直接、人間の介入なしに分子を構築するロボットシステムである自動合成プラットフォームへと送られました。結果は驚くべきものでした。23個のデザインのうち22個が合成に成功し、成功率は96%近くに達しました。この高い成功率は、AIが単に推測していたのではなく、物理的に何が作れるかを正確に予測していたことを証明しました。
分子が手元に揃うと、研究者たちはそれらが実際に機能するかどうかをテストしました。その結果、合成された22個の化合物のうち11個が、このタンパク質の機能を停止させることに成功しました。この50%というヒット率は、初期段階の創薬においては極めて高い数値です。このうち2つの化合物が特に有望なものとして際立ちました。それらは高い精度でタンパク質をブロックし、正常な細胞を傷つけることなくグルタミンの輸送を阻止することができました。さらなる実験により、その仕組みが明らかになりました。これらの化合物はタンパク質の隠れた部位に結合し、タンパク質の構造を崩壊させて機能を無効化させていたのです。この破壊は、がん細胞のエネルギー生産の崩壊を招き、事実上、細胞を飢餓状態に陥らせました。これら2つの主要な化合物は、非常に低い濃度で強力な活性を示し、一方は半数最大効果を達成するためにわずか231.2ナノモーラーを必要とし、正常細胞を傷つけることなくがん細胞を死滅させる広い安全マージンを維持していました。
この研究の意義は、人工知能の抽象的な力を具体的な物理的現実へと変える能力にあります。従来の方法は、コンピュータの画面上では良く見えても、化学者が作ろうとすると失敗する分子のリストを作成したり、機能する解決策を見つけるために広範な人間の試行錯誤を必要としたりすることがよくありました。この新しいシステムは、薬とその製造プロセスを同時に設計することで、その断絶を取り除きます。研究者たちは、化学のルールを最初から尊重することで、11兆もの可能性の中から稀少で効果的な解決策を見つけ出せることを実証しました。以前は「難攻不落（ドラッグ不可）」とされていたタンパク質を高精度に標的とするこれら2つの新化合物の発見は、将来の創薬が、干し草の山から針を探すことではなく、針そのものを織り上げる機械を構築することになる可能性を示唆しています。このアプローチは、設計、構築、テストのサイクルがシームレスに行われる、完全自律型の創薬に向けた実用的な道筋を提供しており、科学的なアイデアから命を救う薬への旅を加速させます。
技術要約：兆単位の化学空間における合成認識型生成デザインによる自動創薬
問題提起
手法：Hyper Screening X (HSX)
Generative Flow Network (GFlowNet) アーキテクチャ: HSXは、オンデマンド・コンビナトリアルケミストリーの決定論的な反応ロジックをGFlowNetに直接組み込んでいる。モード崩壊（mode collapse）に陥りやすい標準的な強化学習とは異に対し、GFlowNetは、目的関数分布に比例して多様で高報酬な候補をサンプリングする。マシン・アクション可能な空間: 本フレームワークは、Synpleの自動合成プラットフォーム（SynpleおよびeMoleculesのバーチャルライブラリーを利用）の反応ロジックを、生成エージェントのアクション空間にマッピングする。この空間は、約90種類の多段階合成ワークフローを通じてアクセス可能な、数十兆個の化合物に及ぶ。適応的マルコフ決定過程 (MDP): ビルディングブロックのワークフロー誘導型逐次組み立ては、適応的MDPとして定式化される。エージェントは多段階のワークフローを選択した後、逐次的にビルディングブロックを選択する。動的な遷移ポリシーは、組み立てプロセス中に薬物様制約（分子量、LogP、HBD/HBAなど）からの逸脱にペナルティを課し、過度に複雑な分子の生成を防ぐ。複合報酬関数: 学習中、エージェントは分子とその合成経路を同時に構築する。報酬関数は、PIGNet2によって予測された結合親和性と物理化学的制約を統合する。ポリシーは、トラジェトリ・バランス（trajectory balance）目的関数を用いて最適化され、生成されるすべての分子が、手動のレトロシンセシス（逆合成解析）を介さずに、自動ハードウェアによって実行可能な、機械検証済みのプロトコルをネイティブにエンコードすることを保証する。アクション空間のサブサンプリング: 数千のビルディングブロックを評価する際の計算コストを管理するため、HSXは商業的な入手可能性によって層別化されたアクション空間のサブサンプリング戦略を採用し、重要度重み付け（importance weighting）によって補正を行う。
主要な貢献と結果 in silico ベンチマークおよび前向きな実験的検証の両方を通じてHSXを検証している。
In Silico ベンチマーク (MARK4):
微小管親和性調節キナーゼ4 (MARK4) を標的とし、HSXを100万個のランダムサンプリング分子を用いたブルートフォースVSのベースラインと比較した。
HSXは、ドッキングスコアの閾値を厳しくするにつれて線形にスケールする濃縮因子（EF）を示した。ランダムなサンプリングにおいて100個のヒットが得られる閾値において、HSXは約1,300倍多くの有効な候補を特定した。これにより、高活性かつ薬物様特性を持つ分子が統計的に稀である「最適化の空隙」をナビゲートするHSXの能力が確認された。
前向きな実験的検証 (SLC1A5_var):
標的: フレームワークは、隠れたプロトマー間界面（cryptic interprotomer interface）によって定義されるファーストインクラスの標的、ミトコンドリア・グルタミン輸送体 SLC1A5_var に適用された。合成成功率: 報酬スコアとビルディングブロックの入手可能性に基づいて選択された23個のトップランク候補のうち、22個がSynpleの自動合成プラットフォーム上で正常に合成され、95.7%の合成成功率 を達成した。機能的ヒット率: 機能スクリーニングにより、**22個の化合物中11個（50%）**が、反復的な最適化なしに、10 µMにおいてミトコンドリアのグルタミン取り込みを50%以上抑制することが明らかになった。リード化合物: 亜マイクロモルレベルの活性（IC50 = 231.2 nM および 431.6 nM）と結合親和性（Kd = 85.86 nM および 377.5 nM）を有する2つのリード化合物、AI-iMQT-001 および AI-iMQT-002 が同定された。選択性とメカニズム: これらの化合物は、低発現細胞に対する高発現細胞への選択的な阻害を示す、>50倍の治療窓（therapeutic window）を示した。メカニズム研究により、これらの化合物がSLC1A5_varの三量体形成を阻害し、その結果、ミトコンドリアの代謝崩壊（α-ケトグルタル酸およびATPの枯渇、ROSの増加）を引き起こすことが確認された。多様性: ヒット化合物は5つの異なるケモタイプに及び、単一のスキャフォールドに収束するのではなく、多様な解をサンプリングするGFlowNetの能力を示した。
意義と主張
本研究の意義に関する主な主張は以下の通りである：
最適化の空隙の克服: 厳格なMPOプロファイルを満たす稀な分子を発見するためには、兆単位の規模の景観をナビゲートすることが統計的に不可欠であることを、本研究は経験的に検証した。合成認識型の効率性: 決定論的な反応ロジックを生成モデルに直接組み込むことにより、HSXは化学的に実行不可能な構造の組合せ爆発を回避し、96%という前例のない実験的合成成功率と50%の機能的ヒット率を達成した。隠れた界面の標的化: SLC1A5_varの隠れたプロトマー間界面に対する阻害剤の特定成功は、従来のスクリーニングでは到達困難な複雑な構造的要求をナビゲートする本フレームワークの能力を示している。クローズドループの可能性: in silico デザインから、ハードウェアによって実行される合成、そして機能検証に至るエンドツーエンドのワークフローは、将来の自律的なクローズドループ探索エコシステムの強固な基盤を構築している。
結論として、HSXは化学的探索を制限するアルゴリズムおよび合成上のボトルネックを解決することにより、in silico デザインと実験的検証の間の溝を直接的に埋め、初期段階の創薬における変革的なエンジンを提供すると述べている。
毎週最高の バイオインフォマティクス 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 ×