がんは、細胞が無秩序に分裂し続ける制御不能な増殖の病です。この暴走プロセスを止めるために、科学者たちは細胞が二つに分かれることを可能にする仕組みを阻害する方法をしばしば模索します。この仕組みの重要な一部がKIF11と呼ばれるタンパク質であり、これは分子モーターとして機能し、細胞分裂に必要な内部の足場を整える役割を果たしています。このタンパク質がブロックされると、細胞は適切に分裂できなくなり、最終的に死滅します。このことが、KIF11を新しい抗がん剤の有望な標的にしています。しかし、膠芽腫（グリオブラストーマ）のように脳に発生するがんを治療することは、特有の課題を伴います。脳は、ほとんどの物質を外に遮断する生物学的な障壁によって保護されているため、薬は腫瘍に到達するためにこの壁を越えられるよう特別に設計されなければなりません。がんを阻止するのに十分な強力さと、脳に侵入できるほど小さな分子の両方を見つけ出すことは、研究者にとって難しいバランス調整なのです。
最近の研究において、インドの科学者チームは、この問題を解決できる潜在的な薬を見つけるための新しいコンピュータベースの戦略を開発しました。ラボで何千もの化学物質を一つずつテストする代わりに（それは時間がかかり費用もかかります）、彼らは高度なコンピュータプログラムを使用して、さまざまな分子がどのようにKIF11タンパク質と相互作用するかをシミュレーションしました。研究者たちは、まず様々な化学物質がどのようにKIF11に影響を与えるかに関する既存の膨大なデータのコレクションを集め、その情報が正確で一貫していることを確認するためにデータを洗浄しました。次に、コンピュータシステムに分子の形状や化学的特性におけるパターンを認識するように学習させ、これにより、未テストの新しい化学物質が効果的な阻害剤になり得るかを予測できるようにしました。予測の信頼性を確保するため、コンピュータがあるグループの化学物質から学習し、それとは全く別の、一度も見たことがないグループに対してテストを行うという厳格な手法を用いました。これにより、システムが単に答えを暗記してしまうことを防ぎました。
コンピュータモデルはいくつかの有望な候補を特定することに成功しましたが、研究者たちはそこで止まりませんでした。彼らは、これらの分子が、役割を果たすために必要なKIF11タンパク質の特定のポケットに実際に適合するかどうかを知りたいと考えました。彼らは「分子ドッキング」と呼ばれる手法を用いて、トップ候補となる分子とタンパク質構造との間の物理的な相互作用をシミュレートしました。このプロセスは、鍵を鍵穴に差し込んで形が合うかどうかを確認するようなものですが、これはすべてコンピュータ内で行われます。シミュレーションの結果、選択された分子は確かにタンパク質の正しい場所に収まることが示されました。チームはまた、これらの分子が血液脳関門を通過して脳に到達できるか、および人体にとって安全であるかを確認するためのチェックも行いました。その結果、トップの候補たちは脳に侵入する確率が非常に高いことが分かり、これは脳腫瘍の治療における極めて重要な要件です。
特定された分子の中で、一つが最も有望なものとして際立っていました。CHEMBL392148というコードで知られるこの化合物は、KIF11タンパク質を阻止する上で非常に効果的であり、脳内へ侵入する優れた可能性を持っていると予測されました。研究者たちは、この分子や他の分子の化学構造を詳しく調査し、毒性がある、あるいは不安定であると知られている部分が含まれていないことを確認しました。一つの候補が特定の化学的特徴に関して小さな警告サインを示しましたが、最良の選択肢はコンピュータモデルに基づくとクリーンで安全であるように見えました。また、研究は潜在的な安全性に関する懸念も浮き彫りにしました。選ばれた上位5つの候補すべてが、心臓の電気系統に影響を与える可能性があるという信号を示しており、これは人間への使用前に実際のラボでテストされるべきリスクです。
研究者たちは、これらの知見は出発点であり、完成品ではないことを強調しています。彼らが特定した分子は、まだコンピュータによる予測に過ぎません。次のステップは、これらの化学物質をラボで合成し、実際のタンパク質や細胞に対してテストして、コンピュータが予測した通りに挙動するかどうかを確認することです。この研究は明確かつ合理的な道筋を提供しており、さらなる調査を行う価値のある具体的な化学構造のショートリストを提示しています。機械学習と詳細な構造解析を組み合わせることで、チームは、新しい脳がん薬の探索を、最も可能性の高い解決策へと焦点を絞った少数の高品質な候補へと絞り込み、時間と資源を節約したのです。
技術要約：CNS指向型創薬のための、機械学習と構造ベースの計算手法を統合したKIF11阻害剤候補の優先順位付け
問題提起
膠芽腫（GBM）は、その攻撃的な性質、治療抵抗性、および限定的な治療有効性により、腫瘍学における重大な課題であり続けている。キネシンファミリーメンバー11（KIF11/Eg5）は、二極紡錘体形成を阻害することで抗分裂療法における検証済みの標的であるが、CNS指向型創薬のために血液脳関門（BBB）を通過可能な新しい阻害剤を特定するには、厳格な計算戦略が必要である。本研究は、機械学習（ML）と構造ベースの手法を統合することで、実験的テストを行うための化学空間を削減し、予測されたCNS透過性を備えたKIF11阻害剤を優先的に選定することを目指している。
方法論
本研究では、系統的な多段階計算ワークフローを採用した：
データキュレーションと分割：
- ChEMBL（ターゲット：CHEMBL4581）から1,817件のKIF11活性データを取得した。
- 厳格なキュレーション基準を適用した：正確なIC50測定値のみを保持し、「典型的な範囲外」の警告を含むものを除外し、変異特異的なアッセイを除外し、ターゲットレベルの生化学的エンドポイントを確保するために細胞ベースのアッセイを除外した。
- キュレートされた最終データセットは、831個のユニークな化合物（pIC50範囲：4.046–9.854）で構成された。
- データセットは、モデル開発の前に、トレーニングセット（654化合物）とロックされた外部テストセット（177化合物）に分割された。極めて重要な点として、この分割はスキャフォールド・ディスジョイント（Bemis–Murckoスキャフォールド）に基づいており、化学シリーズのリーケージを防ぐために、トレーニングセットとテストセットの間で共有されるスキャフォールドが存在しないようにした。
QSARモデリングとバリデーション：
- 記述子： 11個の物理化学的記述子と2048ビットのECFP4（Extended Connectivity Fingerprint 4）分子フィンガープリントを生成した。
- アルゴリズム： ハイブリッド、記述子のみ、およびフィンガープリントのみの表現を用いた、ランダムフォレスト（RF）、エクストラツリー（ET）、およびヒストグラムベース勾配ブースティング（HGB）を評価した。
- バリデーション戦略：
- スキャフォールドを考慮した交差検証： スキャフォールドを共有する化合物が同じフォールド内に留まるようにした。
- ネストされたスキャフォールド交差検証： モデル選択と性能推定を分離し、保守的な内部推定を提供した。
- Y-ランダム化： 偶然の相関を排除するために10回のイテレーションを実施した。
- 適用領域（AD）： 化学空間のカバー率を評価するために、Morgan ECFP4 Tanimoto類似度（閾値：0.5701）を用いて定義した。
- ロックされた外部バリデーション： 完成した凍結モデルを、さらなる最適化なしに177個の独立した化合物に適用した。
バーチャルスクリーニングと構造ベース解析：
- QSARモデルを用いて外部セットのpIC50値を予測した。
- 多様性に基づく選択（貪欲アルゴリズム、最大Tanimoto類似度 < 0.70）により、20個の高ポテンシャル候補を特定した。
- 分子ドッキング： ヒトKIF11（PDB ID: 2WOG）に対し、AutoDock Vina 1.2.7を用いて実施した。プロトコルは共結晶リガンドSTLCによる再ドッキングによって検証した。リガンドの対称性とサンプリングの限界により、正確な結晶学的ポーズ（RMSD < 2 Å）の再現は達成できなかったが、ドッキングは実験的に定義された結合ポケット内にリガンドを配置することに成功した。
- 相互作用プロファイリング： ドッキングされたポーズの5 Å以内の残基を分析し、共通の相互作用パターンを特定した。
ADMETおよびドラッグライクネス・プロファイリング：
- 上位5つの候補に対し、ADMET-AIを用いて、BBB透過性、バイオアベイラビリティ、P-糖タンパク質活性、CYP450相互作用、および毒性エンドポイント（hERG、AMES、DILIなど）に焦点を当てた包括的なADMET予測を実施した。
- 構造アラートスクリーニング（PAINS、BRENK、NIH）およびドラッグライクネス指標（QED、リピンスキーの法則）を適用した。
- 代表的な複合体（KIF11–CHEMBL195232）に対して、構造の安定性を評価するための予備的な1 ns溶媒緩和MDシミュレーションを実施し、補足情報として別途報告した。
主な結果
モデル性能：
- ハイブリッドモデル（記述子とECFP4を組み合わせたもの）は、記述子のみのモデルよりも優れた性能を示した。ハイブリッドのエクストラツリーモデルが最高のベースライン性能（R2 = 0.5985）を達成した。
- ネストされたスキャフォールド交差検証： 厳格な内部バリデーションにより、R2 = 0.5471、RMSE = 0.9021、MAE = 0.7040が得られた。
- ロックされた外部バリデーション： 独立したテストセットは、R2 = 0.2671、RMSE = 0.8754、MAE = 0.7384となった。外部のR2が低いのは、化学的に異なるスキャフォールドに対する予測の難しさと、外部化合物のうち48%のみが定義された適用領域内に収まったことを反映している。
- Y-ランダム化： ランダム化されたモデルは負のR2値（平均 -0.3593）を示し、モデルが偶然の相関ではなく、真の構造活性相関を捉えていることを確認した。
優先順位付けされた候補：
QSAR予測、ドッキングスコア、AD類似度、およびADMETプロファイルを組み合わせた統合スコアに基づき、5つの構造的に多様な化合物が優先順位付けされた：
- CHEMBL392148: 最高予測活性（pIC50 = 7.75; IC50 ≈ 17.77 nM）、最高BBB確率（0.98）、および構造アラートなし。
- CHEMBL1086410: 最も良好なドッキングスコア（-9.882 kcal/mol）および高いBBB確率（0.92）。
- CHEMBL383402: 最高AD類似度（0.80）を持つが、1つのBRENKアラート（脂肪族長鎖）を含んでいた。
- CHEMBL400042: 最高QED（0.87）およびバランスの取れた物理化学的プロファイル。
- CHEMBL1085666: 高いバイオアベイラビリティ予測および良好なドラッグライクネス。
ドッキング相互作用：
すべての優先候補はSTLC結合ポケットを占有していた。残基Arg119、Glu116、Tyr211、Leu214、Ala218、およびArg221との間で反復的な相互作用が観察された。
ADMET知見：
5つの候補すべてが高い予測BBB透過確率（0.91–0.98）と経口バイオアベイラビリティを示した。しかし、全候補において一貫した計算上の信号としてhERG毒性リスク（確率 0.71–0.96）が観察され、実験的な検証を要する潜在的な心臓安全性リスクを示唆している。
意義および主張
本論文は、CNS腫瘍学に特化したKIF11阻害剤の発見のための合理的な計算上の出発点を提供することを主張している。本研究は、特定された化合物が計算によって優先順位付けされた候補であり、実験的に確認された阻害剤ではないことを強調している。
主な貢献は以下の通りである：
- 化学シリーズのリーケージを最小限に抑え、厳格な外部バリデーションフレームワークを備えた、堅牢なスキャフォールド認識型QSARワークフローの開発。
- リガンドベース（QSAR）と構造ベース（ドッキング）のアプローチをADMETプロファイリングと統合し、CNS透過性のためのフィルタリングを行ったこと。
- 複数の計算基準（KIF11阻害およびBBB透過性）を満たす5つの具体的な化学物質（CHEMBL392148を筆頭とする）の特定。
著者らは、本研究が実験的な阻害活性や安全性を確立するものではないことを明示している。予測されたhERG毒性リスクおよびドッキングプロトコルの限界（正確な結晶学的ポーズの再現不能）は、実験的検証が必要な重要な領域として強調されている。本研究は、その後の生化学的阻害アッセイ、GBMモデルにおける細胞評価、および薬物動態研究のための仮説生成フレームワークとして機能するものである。
毎週最高の 生物学 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