Deep Learning and Molecular Dynamics Reveal Promising EZH2 Inhibitors for Epigenetic Cancer Targeting
Computational Biology and Chemistry 2025 | DOI: 10.1016/j.compbiolchem.2025.108784
🎯 REINVENT生成AI→GBM分類→ドッキング→MD→MM/GBSA→DFTの6段階パイプラインでFDA承認EZH2阻害剤Tazemetostatを凌駕するリード化合物を4件同定する。
① 背景と課題

EZH2はPRC2複合体のヒストンメチルトランスフェラーゼ（H3K27me3）として複数の固形がん・血液がんで過剰発現するエピジェネティック標的。従来のHTSや構造誘導型最適化では化学空間の系統的探索が困難。

既承認阻害剤（Tazemetostat）への耐性変異（Y641F等）が臨床問題
計算手法単独では多面的な活性予測の信頼性が低い

→ REINVENT生成AI+複数計算手法の統合で多段階フィルタリングを実現

② 手法: 6段階統合ワークフロー
多段階計算ワークフロー REINVENT GBM分類 ドッキング 100ns MD MM/GBSA DFT / ADMET 511化合物 → GBM活性予測 → 上位ドッキング → 4リード GBM: ROC-AUC ≥ 0.87 (train/test/validation) QSAR: R²=0.72, Q²=0.69 最終リード: 化合物 161・225・234・383
② 手法: REINVENT + GBM

REINVENT: ChEMBL EZH2阻害剤データでfine-tuningした生成モデル。薬物様性・PAINSフィルタ後に511化合物を選択。

GBM分類モデル: ROC-AUC 0.87以上で活性化合物を優先度付け。

PDB: 5LS6
EZH2-SAM結合部位（ドッキングターゲット）
100 ns NPT
AMBER MDによる複合体安定性評価
③ 本研究で示したこと（要点）
  • 全4リード（161・225・234・383）がTazemetostatより強い結合自由エネルギー（MM/GBSA）を示した
  • 化合物383が最低RMSD（3.58Å）・最低RMSF（1.68Å）で最も安定した複合体を形成
  • Lipinski's rule of five適合でADMET上の口腔吸収性・安全性も良好
  • REINVENT+複合計算フロー統合の「教科書的ワークフロー」を提示
④ 主な結果 (a) MM/GBSA結合自由エネルギー比較
MM/GBSA ΔG (kcal/mol) — 小さいほど強い結合 Tazemetostat: -4.5 化合物161: -5.6 化合物225: -6.0 化合物234: -6.1 化合物383: -6.4 ✓最良 Ref 161 225 234 383
④ 主な結果 (b) MD安定性 (RMSD)
平均RMSD vs RMSF (Å) — 低いほど安定 161 225 234 383 ✓ RMSD低 → 安定性（低い = 良好） RMSD 3.58Å RMSF 1.68Å
④ 主な結果 (c) 4リード化合物プロファイル
化合物ΔG (kcal/mol)特徴
161-5.6良好な口腔吸収性
225-6.0高吸収性・低毒性
234-6.1低心毒性リスク
383-6.4最低RMSD・最高安定性
Tazemetostat-4.5FDA承認（基準）
④ 主な結果 (d) QSAR・DFT指標
R²=0.72 / Q²=0.69
QSARモデル精度（外部検証Q²）
ROC-AUC ≥ 0.87
GBM分類モデル（train/test/val 全体）
HOMO-LUMO GAP
DFT（B3LYP/6-31G*）で電子反応性・安定性を評価
⑤ テイクホームメッセージ
化合物383がリードとして最有望
最強MM/GBSA(-6.4)・最低RMSD(3.58Å)/RMSF(1.68Å)・ADMETも合格
REINVENT+GBM+MD統合ワークフロー
lib/molgenのREINVENT生成→lib/fepのMM-GBSA評価→lib/mdのMD安定性評価の3段フィルタとして実装可能
計算予測のみ: 実験検証が次のステップ
in vitroでのEZH2阻害試験・細胞アッセイが未実施。計算と実験のギャップに注意
PDB 5LS6はEZH2ドッキングの標準ターゲット
UniDockRunnerでのEZH2ターゲットスクリーニングへの応用設計時の参照構造
使用ツール一覧
ツール用途
REINVENT生成AI（ChEMBL fine-tune）
AutoDock Vina分子ドッキング
AMBER100 ns MD・MM/GBSA
GAMESS/GaussianDFT（B3LYP/6-31G*）
SwissADMEADMET予測
RDKit分子操作・PAINSフィルタ
本研究のインパクト
  • REINVENT→GBM→ドッキング→MD→MM/GBSAの統合をlib/molgenとlib/fepの標準ワークフローとして実装可能
  • EZH2標的のVSワークフローにlib/docking（UniDockRunner + PDB:5LS6）を活用できる実例
  • GBM分類モデル（ROC-AUC 0.87）はlib/molgenのMPOスコアラーとして統合可能
Deep Learning and Molecular Dynamics Reveal Promising EZH2 Inhibitors for Epigenetic Cancer Targeting. Computational Biology and Chemistry. 2025. https://doi.org/10.1016/j.compbiolchem.2025.108784