📚 月次論文レビュー — 🔬 計算化学

超大規模ドッキングキャンペーンで合成・実験された2,544化合物のデータ（AmpC β-ラクタマーゼ1,521化合物、ドパミンD4受容体549化合物、Sigma2受容体481化合物）を分析し、ドッキングスコアと実験結合親和性の関係を二変量正規分布で定量化した理論フレームワークを提案。Shoichet/Mailhotグループによる。このモデルはVSの成功率（ヒット率）をスコアリング精度ρ、ライブラリ内在的活性分布（μpKi, σpKi）、アーティファクト頻度fAの6パラメータで記述し、将来の実験設計を最適化するための定量的予測を提供する。

FEP（free energy perturbation）は創薬の結合自由エネルギー予測における金標準だが、パラメータチューニングという大きな実用的障壁がある。結晶構造のロータマー選択、ドッキング手法、力場パラメータ化、λ状態配置、シミュレーション長などを系ごとに最適化する必要があり、この作業が専門家の多大な時間と計算資源を消費している。FEP Ωはこのパラメータチューニングを完全に廃止し、標準化された自動セットアップと「シミュレーション後機械学習補正」という全く新しいパラダイムに置き換える。

超大規模ライブラリ（ZINC22: 370億化合物）のバーチャルスクリーニングに対応するため、能動学習（active learning）をドッキングと統合したワークフローを3種のドッキングエンジン（AutoDock Vina、Glide SP、SILCS-MC）と MolPAL フレームワークを組み合わせてベンチマーク比較した研究。特に膜貫通タンパク質（PIEZO2イオンチャネル）という従来法では困難なターゲットに焦点を当て、SILCS-MC という脂質膜環境を考慮したドッキング手法の能動学習への統合を初めて示した。

ハロゲン-π相互作用は、タンパク質-リガンド認識における重要な非共有結合性相互作用のひとつであるが、従来のドッキングスコアリング関数では軽視されがちであった。本研究はBoecklerグループ（テュービンゲン大学）が提案する「QM-AI」アプローチで、量子化学計算（MP2/TZVPP）で生成した約140万点の相互作用エネルギーデータセットにニューラルネットワーク（NN）を学習させ、幾何学的記述子のみからCCSD(T)精度に近いハロゲン-π相互作用エネルギーを10^8倍の速度で予測するモデルを実現した。halobenzene（Cl/Br/I）-benzene複合体をモデル系として、σ穴に特化した幾何学的格子をサンプリングし、精度（R²=0.9979、RMSE=0.

BENTOはLigand Pro/Skolkovo Institute（Pak、Ivankov ら）が開発した、タンパク質-リガンド相互作用予測ツールの大規模比較ベンチマークである。11種のツール（古典ドッキング2種、DLドッキング6種、コフォールディング3種）を4テストデータセット（PDBBind Timesplit、PoseBusters v2、Astex、DockGen）と複数の戦略的サブセットで評価した。従来のベンチマークが「汎化能力（未知タンパク質への適用）」に偏っていたのに対し、BENTOは「ドラッグライクデータにおける実用的性能」を重視し、ポケット構造類似性・リガンドクラス・リガンド複雑度を独立に考慮したサブセット設計で包括的な評価を実現した。

遷移金属セレン化物・硫化物の未探索ターナリー相空間（27 系）を対象に、データベース駆動型のイオン置換確率モデルと第一原理 DFT 計算（QUANTUM ESPRESSO + PBE）を組み合わせた高スループット計算スクリーニングを実施した。ICSD 掲載の既知結晶構造から学習した置換確率でランク付けして 24 候補材料に絞り込み、固相合成・気流反応で合成実験を試みた。しかし全 27 系のいずれでも目的のターナリー化合物は得られず、「これらの相図はバルク合成では空である」という重要な否定的結論を報告した。

フラグメントベースリード発見（FBLD）における重要な課題は、mM親和性のフラグメントヒットをμM活性のリード化合物へ展開することである。本論文は**FragmentScout**という新しいバーチャルスクリーニングワークフローを提案し、SARS-CoV-2 NSP13ヘリカーゼを標的に検証した。XChem高スループット結晶学的フラグメントスクリーニング（Diamond Light Source）で得られた51タンパク質-フラグメント複合体構造（63モノマー）から結合サイトごとに「ジョイントファーマコフォアクエリ」を生成し、LigandScout XTソフトウェアを用いてJ&J社内ライブラリ（約150万化合物）をスクリーニング。

FEP-RBFE（相対結合自由エネルギー計算）はリード最適化の最高精度計算手法だが、HPCクラスタと専門知識を必要とすることが普及の障壁だった。**ALCHEMD**（ALCHEmical Enhanced Molecular Dynamics）はこの問題を解決するオープンソースの完全自動FEP-RBFEプラットフォームで、デスクトップGPU（RTX 4060Ti等の普及価格帯GPU）で1日10〜20件のタンパク質-リガンド結合自由エネルギー予測を可能にする。JASCベンチマーク（8ターゲット・199リガンド）でMUE = 0.86 kcal/mol・R² = 0.60・Kendall's τ = 0.56を達成し、FEP+（商用）やAMBER20（学術標準）と同等の精度を示す。

AutoDockスイート向けの分子パラメータ化Pythonライブラリ「Meeko」を発表したアプリケーションノートである。従来のMGLToolsを置き換えるものとして開発され、RDKitを基盤として化学的に正確な分子表現を保証する。小分子はRDKit molオブジェクトとして、タンパク質・核酸は残基ごとのRDKit molとして管理され、MGLToolsでは見落とされていた不正な原子価や欠損原子を厳密に検出・検証する。水和ドッキング・マクロサイクル柔軟性・Zn²⁺配位モデリング・共有結合ドッキング等の高度な専用ポテンシャルを統一インターフェースで扱える設計が特徴。高スループット処理に最適化されたスクリプタブルなAPIを提供する。

ペプチド薬の結合自由エネルギー（BFE）を高精度かつ計算効率よく予測するための新しいMD手法「contact parallel cascade selection molecular dynamics（cPaCS-MD）」を開発した研究である。PaCS-MD（Harada & Kitao）を基盤としながら、解離反応座標にcontact-distance metricsを採用したことが本手法の核心的な革新点である。Markov State Model（MSM）と組み合わせることで、12種類の多様なタンパク質-ペプチド複合体（親和性範囲 μM〜nM）においてR²=0.84、MAE=2.7 kJ/mol、RMSE=3.4 kJ/molという高い予測精度を達成した。