fdGaMD: Fragment Dissolved Gaussian Accelerated MD for Binding Mode Elucidation

fdGaMD: フラグメント溶解型 × Gaussian加速MDで結合モードを高速解明

偽陽性排除 + コンフォーマーサンプリング加速（J. Chem. Inf. Model. 2025, ASAP · Peralta-Moreno & Rubio-Martinez et al.）

🎯 FBDDのヒット-リード最適化を加速するため、偽陽性サイトを除去しながら結合部位・結合モードを効率的に解明する

① fdMDの課題とfdGaMDの解決

fdMD原理：タンパク質を同一フラグメント多コピーで溶媒化してMDを実施 → 最有力結合部位を記述子でランキング

課題1：低親和性フラグメントが偽陽性スパリアスサイトに捕捉される

課題2：cMDでは高エネルギー障壁により最適結合コンフォーマーへの遷移が遅い

→ GaMDのポテンシャルブーストでエネルギー表面を平滑化
→ 偽陽性を自然解離させ、最適モードへの遷移を加速

② fdGaMDワークフロー（4ステップ）

Step 1: システム構築
タンパク質・フラグメントを主軸整列 (CppTraj principal)
→ LEaP で TIP3P 溶媒化 + 複数フラグメントコピー配置
→ LJ反発項追加 (C99/N99/O99/S99) で集積を防止
↓
Step 2: fdGaMD プロダクション
≥4 レプリカ × 400 ns / AMBER22
ntave=4×N_atoms, GaMD k0 最適化
↓
Step 3: 軌跡分離
グローバル軌跡 → 個別リガンド-受容体軌跡 (stripping)
↓
Step 4: 記述子解析 → 結合部位ランキング
RT | Einter | SASA | MMGBSA | H-bond数

③ GaMD原理

調和ブーストで PES を平滑化

ΔU = k/2 × (E-U)² / (Umax-Umin)

U < E のときのみブースト適用

自動パラメータ設定:

• ntave = 4 × N_atoms
• ntcmdprep/ntebprep = 2 × ntave
• ntcmd = 5 × ntave

再重み付け（reweighting）が必要：ポテンシャル修正でエネルギー解釈に注意

④ 5記述子スコアリング

記述子	定義・意義
RT（滞在時間）	安定結合フレーム割合 — 最優先指標
Einter	EvdW + Eelec 非結合エネルギー
SASA	溶媒露出面積（疎水性ポケット評価）
MMGBSA	ΔGbind（溶媒効果含む包括評価）
H-bond数	動的HB形成頻度

RT × MMGBSA の複合スコアが最も信頼性高い結合部位選択指標

⑤ 検証結果（12複合体 × 3セット）

セット	システム	評価目的	結果
Set-I	MCL-1 + C1G/19G	fdMD比較基準	GaMDでcMD比加速
Set-II	uPA + BEN/2UP/6UP	偽陽性排除効果	スパリアスサイト除去✓
Set-III	Lp-PLA2/MAPK14/FXIa/JAK-2/PDK-1/MUP-I	汎化性・多様性	全系で結合部位同定✓

MUP-I（親和性データなし）でも結合モード再現 → 実験データ不要の汎用性を実証

⑥ テイクホームメッセージ

🔬 偽陽性を自然に排除
GaMDブーストで低親和性フラグメントがスパリアスサイトから自然解離 — fdMDの最大課題を根本解決。

⚡ 結合モード解明の加速
GaMDによるエネルギー障壁の平滑化で、cMDでは到達困難だった最適結合コンフォーマーへの遷移を加速。

📐 主軸整列で計算効率化
タンパク質・リガンドの主軸整列により水分子数・計算コストを削減 — 実用的な改善として評価できる。

🎯 動的結合情報を保持
個別リガンド軌跡の記述子解析で密度解析ベース手法（MDmix）が失う動的結合イベント情報を保全。

ケムインフォマティクスへの応用

適用先	ユースケース
lib/md	HBondAnalyzer + RMSDAnalyzer をfdGaMD解析へ拡張
lib/md	GaMDパラメータ自動設定（ntave=4×N_atoms）の実装
lib/fep	MMGBSAEngine でfdGaMD記述子スコアを計算
lib/docking	fdGaMDで同定した結合部位をSBVSの受容体として利用

AMBER22依存 → GROMACS移植で既存MDインフラとの統合も可能