Scaffold-tuner: a property-directed compound editing tool for scaffold-preserving structural optimization

創薬という極めて重要な世界において、科学者たちは、ラジオの局を変えずに特定の周波数にチューニングしようとするような、パズルのような課題に直面することがよくあります。彼らには有望な分子、つまり疾患と戦う可能性を示す化学構造がありますが、それには微調整が必要です。薬を人体内でより効果的に機能させるために、研究者は、その分子が形成できる水素結合の数、環状構造の数、あるいは分子のどの部分が回転・屈曲できるかといった、特定の物理的特性を調整しなければなりません。これらの調整は極めて重要です。なぜなら、それらが薬が体内に吸収されるか、あるいは単に通り抜けてしまうかを決定するからです。しかし、こうした変更を行うことは非常に困難であることで知られています。もし科学者が、吸収を改善するために分子の一部分を微調整しようとすれば、しばしば別の部分を誤って壊してしまい、標的に結合する能力を台無しにしてしまうのです。課題は、分子の核となるアイデンティティを解体することなく、複雑な化学構造に対して精密かつ制御された編集を行うことにあります。

この問題を解決するために、滋賀県の研究者が「Scaffold-tuner」と呼ばれる新しいデジタルツールを開発しました。分子を、頑丈な土台と独特な屋根を持つ「家」として考えてみてください。土台は、その建物がどのような種類であるかを定義する核となる構造であり、屋根や壁は変更可能です。化学において、この不変の核は「スキャフォールド（骨格）」と呼ばれます。目標は、その家の性質を変えるために「壁」を入れ替えつつ、スキャフォールドを維持することです。これを行うための従来の方法は、暗闇の中でダーツを投げるようなものでした。それは、うまくいったものを見つけることを期待して何千ものランダムなバリエーションを生成するか、あるいは、時には壁と一緒に土台まで変えてしまい、全く別の建物を作り出してしまう複雑な人工知能に頼るものでした。これらのアプローチは非効率的であり、元の薬とはあまりにかけ離れた結果を生み出すことがよくありました。

この新しいツール、Scaffold-tunerは、より意図的で計画的なアプローチを採用しています。推測したりブラックボックス型のアルゴリズムを使用したりする代わりに、特定の役割を果たすことが分かっている、事前テスト済みの小さな分子の断片である「化学フラグメント」の厳選されたライブラリを使用します。もし研究者が水素結合供与体を加えたい場合、ツールはその任務のために特別に設計されたフラグメントを選択します。もし回転可能な結合を取り除く必要がある場合は、構造を固定するように設計されたフラグメントを選択します。これらのターゲットを絞ったフラグメントを元の分子のスキャフォールドと組み合わせることで、ツールは、元の構造の核心を維持しながら、望ましい物理的変化を達成することが保証された新しい候補化合物を作成します。これは、純粋な量よりも制御と予測可能性を優先する編集手法です。

この手法が実際に機能するかどうかをテストするため、研究者は、ChEMBLと呼ばれる公開データベースから取得した1,000個の薬物様化合物を用いて、厳格な試行を行いました。これらの化合物は、実験の出発点、すなわち「親」として機能しました。ツールには、芳香環の追加または削除、回転可能な結合の数の変更など、8種類の異なるタイプの編集を行うよう求められました。比較のために、同じ出発化合物が、単純なランダム編集ツール、化学的に妥当ではあるが無作為な変更を行うCReMと呼ばれる手法、そしてREINVENT4として知られる高度な人工知能システムに投入されました。目標は、どの手法が、元の構造に忠実でありながら、特定の目標変更を満たす新しい分子を正常に作成できるかを確認することでした。

結果は、Scaffold-tunerが、特に研究者が限られた選択肢しか検討できない状況において、その精密さで優れていることを示しました。各手法によって生成された最初の候補のみを考慮するシナリオにおいて、Scaffold-tunerは42.3パーセントのケースで望ましい変更の作成に成功しました。これは、他の手法がそれぞれ13.9パーセント、15.6パーセント、17.1パーセントの成功率であったのと比較して、大幅に高い数値でした。この結果は、科学者がプロジェクトを進めるために迅速で信頼できる提案を必要としている場合、Scaffold-tunerの方が即座に有用な回答を提供する可能性がはるかに高いことを示唆しています。人工知能ツールは、最大100個の候補を生成させることで最終的に追いつき、より幅広い成功する変化を生み出しましたが、それは分子に対してより大きく劇的な変更を行うことによって達成されました。これらのAIが生成した分子は、元の分子とは見た目が大きく異なっており、その変化が薬の挙動にどのように影響したのかを理解することを困難にしていました。

対照的に、Scaffold-tunerによって生成された分子は、その親化合物と非常によく似していました。平均して、成功した候補は元のコア・スキャフォールド構造の約75パーセントを保持しており、開始分子との全体的な類似性も高いものでした。これは、創薬において、どの変更が活性の変化を引き起こしたのかを正確に知る必要があるため、極めて重要な利点です。もし構造が変わりすぎると、新しい特性が意図した微調整によるものなのか、それとも全く新しい原子の配置によるものなのかを判別することが不可能になります。研究では、Scaffold-tunerは特に芳香環の追加において効果的であり、他の手法がほとんど失敗するか、あるいは全く苦戦するタスクにおいて優れた成果を上げました。また、回転可能な結合を増やしたり減らしたりすることについても、完璧ではないものの、一貫して信頼できるレベルの成功を収めました。

しかし、このツールには限界もあります。研究では、編集の成功は要求される変更の種類に大きく依存することが指摘されました。例えば、ツールは環を追加することには優れていましたが、それを取り除くことには苦戦し、その特定のタスクにおける成功率はゼロパーセントでした。同様に、回転可能な結合を増やすことは難しく、成功率はわずか15.2パーセントでした。これは、このツールが万能な解決策ではなく、特定の種類の構造調整に最も適した専門的な器具であることを示しています。また、一つの特性を変更できたとしても、同時に他の特性を意図せず変えてしまうことがよくあることも、研究者らは観察しました。例えば、回転可能な結合の数を変えることは、他の部分への意図しない変化を伴うことが多く、これはどのような編集ツールにとっても克服が困難な課題として残っています。

こうした制約はあるものの、研究は、Scaffold-tunerが抽象的な化学的目標を具体的な分子構造へと翻訳するための、価値ある新しい枠組みを提供すると結論付けています。それは、薬がどのように振る舞うべきかを予測する理論的モデルと、その薬を構築するという実践的な現実との間の溝を埋めるものです。特定の解釈可能な変更を行いながら、分子の核となるアイデンティティを保持する方法を提供することで、研究者は構造と機能の関係をより明確に探求することができます。このツールは、より広範で探索的な手法の必要性に取って代わるものではなく、精密さとスピードが最優先される特定のニッチ分野を補完するものです。リード化合物を精緻化しようとしている科学者にとって、それは何千ものランダムなバリエーションをふるいにかけるのではなく、非常に関連性の高い選択肢を迅速に手に入れる方法を提供します。ツールのソースコードは、他者が使用し改善できるように公開されており、この特性指向のアプローチが、複雑な分子編集の技術をより予測可能で効率的な科学へと変えるための、標準的なツールキットの一部となる可能性を示唆しています。