AutoDock-Bias: Knowledge-Based Biased Docking

Knowledge-Based Biased Docking: AutoDock-Bias Review (2012–2026)

Prieto, Lannot, Clemente, Modenutti, Turjanski, Martí — ChemMedChem 2026, e202501058 | DOI: 10.1002/cmdc.202501058

🎯 コソルベントMDから水/疎水/芳香族サイトを決定 → AutoDockグリッドマップにバイアス注入 → ポーズ予測・VS・PPI・金属タンパクのドッキングを全面改善

① 背景と課題

分子ドッキングはリガンドポーズ予測とバーチャルスクリーニング（VS）に不可欠なツールだが、受容体柔軟性の近似扱いと経験的スコアリング関数の限界から系統依存性が大きく、偽陽性率が高い。炭水化物リガンドや金属配位リガンド・PPI阻害剤は特に精度が低い。2012年以来の著者グループの研究は、タンパク質表面の水分子・コソルベント分子の構造（溶媒サイト）がリガンドとの相互作用ホットスポットを予測できることを示してきた。

従来AutoDock4のポーズ予測成功率: 糖-レクチン系で25%程度

VS EF1%が低く、decoyとactiveの区別に苦労（AUC 0.39〜0.84と広範囲）

→ MDから溶媒サイトを決定し、エネルギーマップにバイアスウェルを注入して解決

② 手法: 3種の溶媒サイト + バイアス注入

サイト種別	プローブ	MD長	カバレッジ
水サイト (WS)	水O	10-20ns	H結合 60-70%
疎水サイト (HS)	EtOH CH₃	10-20ns	疎水性>70% 芳香族~80%
フェノールサイト (PhS)	フェノール環心	50-100ns	PPI芳香族

コソルベントMD → WATCLUSTクラスタリング → PFP/R90取得
↓
BPFファイル生成（サイト座標・Vset=-PFP・ri=R90・相互作用タイプ）
↓
AutoDock-BiasスクリプトがAutoDock4 .mapを修正
↓
biased.mapでAutoDock4/GPU/Vinaを実行

③ バイアス式と選択指針

V_bias = V_ori + V_set·exp(−|r−r_i|²/r_i²)
V_set ≈ −PFP (kcal/mol)
r_i ≈ R90 (Å)

「Less is More」戦略:

2〜3サイトに絞って構造アンカーとして機能させる
水+エタノールで基本カバレッジ確保
芳香族重要な場合のみフェノール追加
荷電プローブは明確な根拠がある場合のみ

×2

EF1% 改善倍率（9ターゲット平均）vs 非バイアスドッキング

④ 主要結果 (a) VS AUC 比較（9ターゲット）

AutoDock4 vs AutoDock-Bias AUC

④ 主要結果 (b) EF1% 比較（代表例）

EF1%（高いほど良い）

④ 主要結果 (c) 適用範囲と改善サマリー

適用領域	改善内容	主要指標
炭水化物ドッキング	成功率 25%→75%	RMSD≤2Å
一般リガンドVS	EF1%約2倍	9ターゲット
PPI阻害剤	HS/PhSがホットスポット予測	70〜80%精度
金属タンパク	RMSD・ΔΔG改善	15ファミリー
大環状糖鎖	RMSD 5.5vs7〜8Å	30複合体

⑤ 限界・lib/docking 実装メモ

PhS収束に50〜100ns MDが必要；深い結合サイトではPFP過大評価のリスク

バイアスサイト選択に専門的判断が必要で完全自動化は未完

lib/docking への統合方針:

BiasedDockingPreprocessor クラス新設
MixMDAnalyzer in lib/md (WATCLUST相当クラスタリング)
UniDockRunnerへのpre-docking hookとして接続
MBD: 金属配位幾何ライブラリ整備

コード: github.com/Martilab-UBA/autodock-bias | WATCLUST: watclust.wordpress.com