Automated dataset integrating structural and bioactivity data for structure-based drug discovery

あなたは、特定の鍵穴に完璧にフィットする新しい鍵を設計する方法をロボットに教えようとしていると想像してください。医学の世界では、私たちの体内にある「鍵穴」は病気を引き起こすタンパク質であり、「鍵」は微小な薬分子です。何十年もの間、科学者たちは、鍵と鍵穴の形を見るだけで、その鍵がどれほど上手くフィットするかを正確に予測できる超スマートなロボット（機械学習）を作ろうとしてきました。しかし、そこには大きな問題があります。ロボットはデータに飢えているのですが、必要なデータはあちこちに散らばっているのです。ある科学者は鍵穴の形を知っており、別の科学者は鍵がどれほど上手く回るかの測定値を知っていますが、それらが同じ場所に集まることは滅多にありません。それはまるで、レシピが1冊の本にあり、材料の写真が別の本にあり、味のテスト結果がまた別の本にある状態で、シェフに完璧な料理を作る方法を教えようとしているようなものです。鍵の形状と、鍵のグリップ力の正確な強さを結びつける大規模で整理されたライブラリがなければ、ロボットは効果的に学習することができません。

ここで、DockTDataの物語が始まります。ブラジルの国立計算科学研究所の研究チームは、その欠けているライブラリを構築することに決めました。彼らは単にいくつかのレシピを集めたのではありません。インターネット上を探索して、タンパク質の鍵穴と薬の鍵に関するあらゆる利用可能な情報をかき集め、それらを縫い合わせ、一つの巨大なデータセットへと整理する自動化された工場を建設したのです。これは、大規模なデジタル「マッチメイキング（仲介）」サービスのようなものです。彼らは、タンパク質の3D設計図を保持するProtein Data Bank (PDB) からデータを取得し、それを BindingDB や ChEMBL といったデータベースにある現実世界のテスト結果と結びつけました。その結果、24,719 組のユニークなタンパク質-リガンド複合体という宝の山が誕生しました。これは単なる数字のリストではありません。すべての薬分子が、その3D構造と測定された結合強度（どれほど強く掴むか）に直接紐付けられ、コンピュータが一度に読み取れるように標準化されたコレクションなのです。このデータをオープンかつ無料で公開することで、著者らは次世代の創薬ロボットがより速く、より賢く学ぶための燃料を提供したいと考えています。それは、現在治療法のない疾患に対する新しい薬の開発につながる可能性があります。

本論文の核心的な使命：究極の創薬ライブラリの構築

本論文は、構造ベースの創薬（structure-based drug discovery）を加速させるために設計された、新しくオープンに利用可能なデータセットである DockTData を紹介しています。簡単に言えば、これは標的タンパク質の3D形状を見て、どの分子がそこに最もよくフィットするかを判断するプロセスです。著者らは、超効率的な司書のように機能する自動化されたパイプラインを構築することで、このデータセットを作成しました。この司書は、3つの巨大なソース——タンパク質の3D構造を保持する Protein Data Bank (PDB)、および薬がタンパク質にどれほど良く結合するかを測定している BindingDB と ChEMBL ——を巡り、すべてを一つにまとめ上げます。

DockTData の魔法は、その「点と点を結びつける方法」にあります。これまでは、科学者がタンパク質に薬が結合している画像を持っていても、その結合がどれほど強いのか正確には分からなかったり、あるいは画像なしで別のデータベースから結合強度の測定値を見つけたりすることがありました。DockTData は、24,719 組のタンパク質-リガンド複合体（「鍵穴」とその「鍵」）を、45,331 個の生物活性測定値に直接リンクさせることで、この問題を解決しました。これらの測定値には、Kd、Ki、IC50、EC50 といった値が含まれており、これらはすべて「この薬はどれほど強く付着するか？」という問いへの答えです。著者らは、これらを比較検討できるように、すべての値を ナノモーラー (nM) 単位に標準化しました。

実装方法：自動マッチメイキング・マシン

研究者たちは単にコピー＆ペーストをしたのではなく、マッチングが完璧であることを保証するために精巧なシステムを構築しました。データがクリーンで信頼できるものにするために、いくつかの巧妙な手法を用いています。

• タンパク質の照合: 彼らはタンパク質配列を比較するために MMseqs2 というツールを使用しました。薬のテストにおけるタンパク質が、3D構造内のタンパク質と少なくとも 85% 同一である場合にのみ、一致とみなすというルールを設定しました。これは、「もし鍵穴が写真と同じ鍵穴と85%同じであれば、それは同じ鍵穴であると仮定する」というルールに似ています。この閾値は、全く異なるタンパク質を含めることなく、有用なバリエーション（同じタンパク質のわずかに異なるバージョンなど）を含めるために選ばれました。
• 薬物の照合: 薬物分子については、InChIKey と呼ばれるものを使用しました。これは、あらゆる化学構造に対する、27文字のユニークなバーコードのようなものです。標準的なツール (RDKit) を使用してすべてのエントリに対してこれらのバーコードを再計算することで、同じ薬が異なる名前や、わずかな混乱を招く違いによって二重にリストされることがないようにしました。
• 「一つの鍵、一つの鍵穴」ルール: 彼らはペアリングに対して非常に厳格でした。もし一つのタンパク質構造に二つの異なる薬が同時に結合している場合は、その構造を除外しました。彼らは、正確に一つの薬分子が一つのタンパク質構造とペアになっている複合体のみを保持しました。これにより、コンピュータモデルの学習時に混乱が生じるのを防いでいます。

中身は何が入っているのか？

完成したデータセットは、使いやすいテーブル形式に整理された膨大な情報のコレクションです。得られる内容は以下の通りです：

• 24,719 組のユニークなタンパク質-リガンド複合体。
• 11,742 個の異なる薬物分子（リガンド）。
• PDB からの 17,732 個のユニークなタンパク質構造。
• 2,163 個の異なるタンパク質ターゲット（「鍵穴」）。
• 低分子化合物（典型的な薬のタイプであり、エントリの24,378個を占める）、ペプチド（271エントリ）、さらには一部のオリゴ糖（70エントリ）の混合。

著者らは、彼らの低分子コレクションが、一般的な PDBbind version 2020 general set（16,744 エントリ）の低分子部分よりも 46% 大きい と述べています。これは、DockTData が科学者がアイデアをテストするための、より大きな遊び場を提供していることを意味します。

なぜこれが重要なのか：単なる数字以上の意味

本論文は、創薬における機械学習の最大のボトルネックは、トレーニングデータの質とサイズであることを強調しています。小さな、あるいは乱れたデータセットでロボットを訓練すると、そのロボットは悪い癖を覚えてしまいます。DockTData は、「よりクリーンで」、より大きく、より透明性の高いデータセットを提供します。著者らは、すべてのデータの出所（プロベナンス／由来）を正確に記録しているため、科学者はあらゆる数値を元のソースまで遡ることができ、エラーをチェックし、その文脈を理解することができます。

このデータセットには、さまざまな測定タイプが含まれています。58.8% が IC50 値、20.3% が Ki、11.3% が Kd、そして 9.7% が EC50 です。この多様性は重要です。なぜなら、異なる種類の測定値は、薬がどのように作用するかについて、それぞれ少しずつ異なる物語を語るからです。これらすべてを一箇所に集め、ナノモーラー 単位に標準化することで、研究者は自身のニーズに合った特定のデータタイプを選択することができます。

「禁止区域」：論文が除外したもの

DockTData が「何ではないか」を理解しておくことは重要です。著者らは、実験的な証明がない限り、コンピュータによって予測されただけの構造（AlphaFold などによるもの）は含まれていないと明示しています。彼らは、X線結晶構造解析、NMR、またはクライオ電子顕微鏡を用いて実際にラボで解明された構造のみを含めました。つまり、このデータセットはコンピュータ・シミュレーションではなく、厳密に実験的な現実に基づいています。

さらに、本論文は曖昧なペアリングを排除しています。タンパク質構造に複数の異なる薬が付着していた場合、あるいはタンパク質配列と薬の測定値の間のつながりが弱すぎる場合（同一性が85%未満の場合）、そのデータは破棄されました。著者らは、機械学習モデルを混乱させる可能性のある「ノイズ」を避けるためには、この厳格さが不可欠であると主張しています。また、多くのデータを持っているとはいえ、創薬の問題を解決したと主張しているわけではないことも述べています。代わりに、彼らは他の人々がその上に構築していくための、より優れた基盤――「透明で、再利用可能で、継続的に拡張されるリソース」――を提供しているのです。

最終的なまとめ

DockTData は科学界への贈り物です。それは、タンパク質の3D形状を薬の相互作用の強さに結びつける、大規模で整理された無料のライブラリです。データの収集とクリーニングのプロセスを自動化することで、著者らは、以前のコレクションよりも大きく、多様なリソースを作り上げました。彼らは、研究者がよりスマートなAIモデルを訓練し、薬がタンパク質にどのように結合するかについての新しい理論をテストし、最終的には新しい薬の発見を加速させることを可能にしました。このデータセットは クリエイティブ・コモンズ 表示 4.0 国際 ライセンス (CC BY 4.0) の下で提供されており、クレジットを表示することを条件に、誰でも使用、共有、および構築することができます。これは、創薬という混沌とした世界を、機械が学習可能な構造化された言語へと変えるための、明確な一歩です。