SynNat-BERT: An interpretable dual-modal BERT framework for blood–brain barrier permeability prediction and novel scaffold discovery

人間の脳は、血液脳関門として知られる強力な門番によって守られています。この薄く選択的な壁は、脳内の血管に沿って存在し、血液中から脳組織へと通過できる物質を厳格に制限するフィルターとして機能し、それ以外のすべてを遮断します。この防御機構は、脳を毒素や感染症から守るために不可欠ですが、同時に医学における巨大な障壁ともなっています。潜在的な薬物候補の約98パーセントはこの障壁を通過できず、たとえ試験管内ではどれほど効果的であったとしても、アルツハイマー病、パーキンソン病、あるいは脳腫瘍などの治療には役に立ちません。何十年もの間、科学者たちはどの分子がこの門をすり抜け、どの分子が入り口で止められるのかを予測することに苦心してきました。従来の手法は、生きた細胞や動物を用いて化学物質をテストすることに依存してきましたが、そのプロセスは時間がかかり、費用も高く、自然界に存在する膨大な多様な化学構造をカバーできないことが多々ありました。

研究チームは現在、この予測問題をより高い速度と明快さで解決するために設計された、新しい計算ツールを開発しました。彼らは、化学のための高度な言語モデルとして機能する「SynNat-BERT」と呼ばれるシステムを作り上げました。このシステムは、少数の既知の薬物から学習するのではなく、170万個の分子を含む膨大なライブラリから学習しており、そこにはラボで作られた合成化学物質と、植物や菌類から見出された天然物（天然由来化合物）の両方が含まれています。このシステムは、分子を単なる個々の原子としてではなく、意味のある部分構造の断片へと分解することで、分子の「文法」を学習し、異なる化学的部分がどのように組み合わさるかを理解します。決定的なのは、この構造的な理解に、分子のサイズ、水との相互作用、結合形成能といった7つの特定の物理的特性を組み合わせたことです。これら2種類の情報を融合させることで、システムは分子が血液脳関門を通過するかどうかを予測できるだけでなく、どの部分がその能力を担っているのかを正確に説明することも可能です。

研究者たちは、この新しいフレームワークを用いて、自らのライブラリの中から「隠れた宝石」、すなわち脳に浸透する可能性があるもののこれまで特定されていなかった分子をスクリーニングするというテストを行いました。システムは数千もの候補をランク付けし、障壁を通過するための適切な物理的特性を持つものを優先的に抽出することに成功しました。これらのコンピュータによる予測が現実のものであるかを検証するため、チームは天然由来の化学物質の一種である5つの異なるアルカロイド化合物を選択し、培養したヒト脳細胞を用いた実験室環境でテストを行いました。結果は驚くべきものでした。5つの候補のうち3つが細胞障壁を通過することに成功し、そのうちの1つは陽性対照として用いられた標準的な薬物よりも優れた性能を示しました。これにより、コンピュータモデルが、これまで見過ごされていた新しい透過性の高い構造を正しく特定したことが証明されました。

この研究は、単に新しい候補を見つけるだけでなく、「なぜ」それらの分子が機能するのかをも明らかにしました。システムの内部分析は、特定の構造的特徴、すなわち「ベルビン骨格」として知られる柔軟な水素化環構造を指し示しました。研究者がこの柔軟な形状を、同じ構造の硬い芳香族バージョンと比較したところ、硬いバージョンは障壁を通過できないことが判明しました。この違いは、分子が脂質膜をどのように移動するかをモデル化した詳細なコンピュータシミュレーションを通じて確認され、柔軟な形状が分子の拡散をより容易にすることが示されました。この研究は、硬くて平坦な構造が常に脳への浸透に最適であるという考えに対し、柔軟性が極めて重要な役割を果たすことを実証することで、明確に反論しています。

また、本研究は、この分野における従来の人工知能モデルの限界にも挑戦しました。多くの初期のシステムは、数億個の分子を含む膨大なデータセットに依存していましたが、それらを単なる文字の羅列として扱うことが多く、深い化学的文脈を見落としていました。研究者たちは、170万個というより小規模で焦点を絞ったデータセットが、部分構造を考慮したアプローチと組み合わされることで、実際にはより大規模で解釈性の低いモデルよりも優れた性能を発揮することを発見しました。彼らは、具体的な物理的記述子をモデルに加えることが不可欠であることを示し、これらの記述子を取り除くと予測精度が大幅に低下することを実証しました。これは、脳の透過性を予測するような複雑なタスクにおいては、生のデータを見るだけのモデルよりも、分子の形状と物理的挙動の両方を理解するモデルの方が優れていることを示唆しています。

結局のところ、この研究は創薬への実用的な道筋を提示しています。分子構造への深い理解と明確な物理法則を組み合わせることで、SynNat-BERTフレームワークは膨大な天然物のライブラリを精査し、脳疾患治療のための新たなリード化合物を見つけ出すことができます。この研究は単に結果を予測しただけでなく、実験室での実験とコンピュータシミュレーションの両方を通じて、特定の柔軟な構造が血液脳関壁を通過するための鍵であることを示す、検証済みのメカニズムを提供しました。このアプローチは、これまで目の前にありながら隠されていた有望な薬物候補を特定するための信頼できる方法を提供し、科学者がついに脳に到達できる薬を設計するための新しいツールを提供するものです。