DeepDegradome: A Structure-Aware Deep Learning Framework for PROTAC and Ligand Generation Against Protein Targets
DOI: 10.1073/pnas.2518248123 | Published: 2026 (PNAS) | Category: machine_learning
フラグメントアセンブリでPROTACをウォーヘッドからE3リガンドまで一体設計するDeepDegradome。WDR5・CDK9でX線構造確認済み化合物を創出。PROTACデノボ設計の新標準。 #PROTAC #AIDrugDesign
(1) 背景と課題

PROTAC (Proteolysis Targeting Chimeras) はターゲットタンパク質をE3リガーゼに連結することでユビキチン化・分解する画期的な創薬モダリティであり、従来のオキュパンシー型阻害剤では対応困難な「undruggable」標的に対しても有効性が示されてきた。しかし、PROTACの設計は (i) ターゲットを認識するウォーヘッド、(ii) E3リガンド、(iii) 両者を結ぶリンカーという3要素が同時に最適化される必要があり、化学空間が爆発的に大きい。

既存のAI設計パイプライン (例: DiffSBDD, TargetDiff, PROTAC-RL) は既知のウォーヘッドおよびE3リガンド (VHL, CRBNなど) を固定し、リンカーのみを最適化する設計に留まっていた。これにより明確な結合ポケットを持たない標的や、新規E3リガーゼ活用の可能性が大きく制限されてきた。

ギャップ: ウォーヘッド・リンカー・E3リガンドの全構成要素を、ポケット構造に基づいて一体的にデノボ生成し、かつ実際の細胞でタンパク質分解を再現できる構造ベース AIフレームワークが存在しなかった。
(2) 手法の概要 — DeepDegradome
Pocket (PDB) SE3-Transformer Encoder Pocket Vec Fragment Lib (public DB) iFitDock Score frags Top-K Frag seeds Autoregressive Fragment Assembler (atom/bond) Ligand PROTAC Builder PROTAC (WH-L-E3) Train: PDB + ChEMBL + PROTAC-DB

フラグメント探索 (iFitDock) → ポケット形状エンコード (SE3-Transformer) → 自己回帰アセンブリ → PROTACビルダーでリンカー最適化、という統合パイプライン。3要素を一体設計できる初の構造ベース AI。

(3) 本研究で示したこと
  • ウォーヘッド・リンカー・E3リガンドを一体設計できる初の構造ベースPROTAC AIを構築
  • WDR5阻害剤を実合成し低nM IC50を達成
  • WDR5・CDK9でX線結晶構造により計算ポーズをRMSD<2Åで再現
  • 細胞アッセイでWDR5標的PROTACのタンパク質分解 (DC50) を実測確認
  • DiffSBDD・TargetDiff等の既存SOTAをvalidity・QED・SA scoreで上回る
(4a) 主な結果 — 生成品質ベンチマーク
Validity / QED / SA score 比較 0.0 0.25 0.50 0.75 1.00 0.70 0.45 0.60 DiffSBDD 0.75 0.50 0.65 TargetDiff 0.93 0.70 0.85 DeepDegradome Validity QED SA score

既存SOTA (DiffSBDD, TargetDiff) と比較し、化学的妥当性・薬物様性・合成容易性のいずれでも DeepDegradome が優位。

(4b) 主な結果 — 実験的検証 (WDR5/CDK9)

WDR5に対し DeepDegradome が生成した複数の阻害剤候補を実合成し、生化学アッセイで 低nM オーダーの IC50 を確認。さらに WDR5 および CDK9 双方について X 線結晶構造を取得し、AI が予測した結合ポーズと実構造との RMSD < 2 Å 一致を達成した。

RMSD < 2 Å
WDR5/CDK9 における AI 予測ポーズ vs 実 X 線結晶構造
IC50 = nM級
WDR5 阻害剤 (合成済み・生化学アッセイ確認)
DC50 確認
WDR5 標的 PROTAC が細胞アッセイで分解誘導
(4c) 主な結果 — 標的タンパク質と適用範囲
Target × Modality 検証マトリクス Y = 検証済み / - = 未検証 Ligand PROTAC Xtal WDR5 Y Y Y CDK9 Y - Y Undrug. (目標) to to ? フラグメントアセンブリにより undruggable 標的への将来適用が示唆

WDR5 では Ligand・PROTAC・X 線構造の全項目を実証。CDK9 ではウォーヘッドおよび結晶構造を実証済み。

(4d) 限界と未解決の論点
  • iFitDockが非公開。UniDockなどOSSドッキングへの代替時の精度差が未検証
  • フラグメントアセンブリの組み合わせ爆発により探索コストが大きい
  • 生成PROTACの細胞膜透過性・PK・ADMETの系統的評価が論文内では限定的
  • CDK9についてはPROTAC実体合成の検証が未報告
  • 新規E3リガーゼ（VHL/CRBN以外）への展開実例が示されていない
(5) テイクホームメッセージ
一体設計の革新
ウォーヘッド・リンカー・E3リガンドを単一の構造ベース AI でデノボ生成する初の枠組み。
実構造での検証
WDR5 と CDK9 の両方で X 線結晶構造によりポーズ正確性 (RMSD<2Å) を実証。
細胞での分解確認
WDR5 標的 PROTAC が細胞アッセイでタンパク質分解 (DC50) を達成。
SOTA超えの品質
Validity・QED・SA scoreで DiffSBDD/TargetDiff を上回り、合成容易な分子を生成。
ケムインフォマティクス応用
適用先ユースケース期待効果
lib/molgenMolgenYaml に PROTAC設計エンジン統合undruggable標的対応
lib/dockingUniDockRunner で iFitDock を代替OSS化・依存解消
lib/fep生成PROTACの結合ΔGをMMGBSAで再評価三体複合体安定性

フラグメントアセンブリエンジンを lib/molgen のスコアラーとして組み込み、SE3-Transformer ポケットエンコーダを共有することでリガンド／PROTAC兼用パイプラインを実現できる。

本研究のインパクト
  • PROTACのデノボ設計を「リンカー最適化」から「全構成要素デザイン」へ拡張
  • X線構造による実証で AI 創薬の信頼性基準を引き上げ
  • Undruggable標的への構造ベースPROTAC適用への道を開く
Source: Paper review — DOI 10.1073/pnas.2518248123 (PNAS 2026) | Generated for cheminformatics-research-pipeline | Category: machine_learning | Targets: WDR5, CDK9