📚 月次論文レビュー — 🔬 計算化学

AlphaFold2 は配列からの高精度構造予測を実現したが、生物分子が本質的に動的な複数構造の集合（アンサンブル）として機能するという事実には対処できていない。単一構造では相転移・アロステリズム・コンフォメーション依存的な薬剤結合を説明できず、熱力学的確率分布（ボルツマン分布）に基づいたアンサンブルが必要である。AlphaFold2-RAVE はこの問題に対し、AF2 の構造出力を AI 強化 MD（RAVE: Reweighted Autoencoded Variational Bayes for Enhanced Sampling）の初期構造として活用することで、配列情報のみからボルツマン加重コンフォメーションアンサンブルを効率的に生成するプロトコルを提案した。

AlphaFold2（AF2）はタンパク質構造予測の精度を革新したが、予測モデルが創薬に十分な品質を持つか—特にリガンド結合部位の位置を保存しているか—については依然として議論がある。本論文は、直接リガンドドッキングより感度が低い「プロテインマッピング」（フラグメントサイズのプローブ分子をタンパク質表面に分布させてホットスポットを同定する手法）を AF2 モデルに適用することで、この問いを体系的に評価した。結論として、プロテインマッピングはドッキングより AF2 モデルの局所的コンフォメーション誤差に対して頑健であり、いくつかの最適化手順（ドメイン単位の AF2 生成・複数シードサンプリング）を用いることで X 線結晶構造並みの結合部位予測精度を達成できることを示した。

PARP1 阻害薬は BRCA1/2 変異がんの治療において合成致死を利用した有効な治療戦略だが、オフターゲットである PARP2 を同時に阻害することで造血毒性が生じ、治療域が狭まっている。PARP1 選択的阻害薬（saruparib、NMS-P118 等）はこの問題を解決しうるが、PARP1 と PARP2 のアミノ酸配列相同性が非常に高く、わずかなエネルギー差に基づく選択性を計算で再現することは困難である。本論文では、8 種の臨床使用・研究段階 PARP 阻害薬について MM/PBSA、絶対結合自由エネルギー（ABFE）、アンブレラサンプリング（US）の 3 手法を比較評価し、それぞれの強みと限界を定量的に明示した。

タンパク質-リガンド結合ダイナミクスの MD シミュレーションは創薬における結合親和性・輸送特性・ポケット動力学の予測に不可欠だが，従来の数値 MD は個々の原子に対する力計算が重く，ナノ秒を超える長時間シミュレーションは計算コスト上の難問となっている。 本論文が提案する NeuralMD は，多粒度かつ群対称な ML サロゲートである。核心モデル BindingNet はタンパク質-リガンド複合体を「リガンド原子」「タンパク質バックボーン」「残基-原子ペア」の 3 粒度で階層的に記述し，vector frame 基底への射影で SE(3) 等変性を保証する。

分子動力学（MD）シミュレーションにおける力場（MM）は大規模なタンパク質・核酸に対して高速かつ実用的であるが，薬物様小分子（リガンド）のパラメータ化には多大な労力を要し，精度にも限界がある。ニューラルネットワークポテンシャル（NNP）は量子力学（QM）計算を模倣して原子間力を予測できるが，MD への適用では計算速度が問題となっていた。 本論文は NNP/MM を ACEMD + OpenMM + PyTorch 環境に実装し，CUDA カーネル最適化（NNPOps）による高速化と，これまで最長 20 ns だった NNP/MM シミュレーションの 1 µs への大幅延長を実証した。

タンパク質の機能は立体構造の動的変化，すなわちコンフォメーション動力学に由来する。古典的 MD シミュレーションはフェムト秒オーダーの積分ステップを要するため，生物学的に意味のあるマイクロ〜ミリ秒タイムスケールへのアクセスが計算コスト上の制約となっている。 STAR-MD は SE(3) 等変オートリグレッシブ拡散モデルであり，タンパク質構造を残基ごとの backbone rigid（並進＋回転）で表現し，各フレームを条件付き拡散モデルで逐次生成する。Joint Spatio-Temporal アテンションと block-causal 訓練の組み合わせにより，マイクロ秒スケールの軌跡を安定して生成できる初の汎用モデルを実現した。

分子動力学（MD）シミュレーションは，原子系の時間発展を探索する強力な手法だが，ニュートン運動方程式の逐次数値積分という構造的制約が計算効率を大きく制限している。機械学習原子間ポテンシャル（MLIP）は力計算を高速化するが，逐次積分という本質的ボトルネックは解消できない。 本論文は，この制約を根本から回避する「4D 時空間（4D-spacetime）」アプローチを提案する。MDtrajNet は，初期核座標 R_0，初期速度 v_0，原子番号 z，および目標時刻 t を入力として，時刻 t における核座標 R_t を直接予測する。力計算も数値積分も不要であり，同一軌跡セグメント内の複数時刻を並列予測できる点が決定的な優位性である。

創薬のヒット探索において、化合物ライブラリの規模拡大は原理的にヒット率と多様性を向上させる。しかし、100億を超える化合物を個別にドッキングすることは計算資源の観点から従来は非現実的だった。Gorgulla/Arthanari et al.（Harvard/MGH, 2023）はこの問題を解決する **ATG-VS（Adaptive Targeting for Virtual Screening）** を開発した。中心的なアイデアは、全化合物をドッキングする前に**18次元分子プロパティグリッド**による粗粒前フィルタリングを行い、ドッキング計算の対象を約1000分の1に絞り込むことである。

古典的MM力場はリガンドの内分子ポテンシャルを単純なボンド・アングル・二面角の関数で近似しており、電子相関に由来する微細な配座エネルギープロファイルを正確には再現できない。一方、量子化学計算（DFT・CCSD(T)）は精度が高いが、タンパク質-リガンド複合体規模での長時間MDには到底適用できない。AcelleraのGalvelis/De Fabritiisはこのギャップを埋めるため、**NNP/MMハイブリッドアプローチ**を提案した。ANI-2x（CCSD(T)/CBS精度のデータで訓練された汎用ニューラルネットワークポテンシャル）をリガンドの内分子項に用い、残りのタンパク質内・タンパク質-リガンド間・溶媒相互作用には古典的なAMBER/GAFF力場を使う。

古典MDシミュレーションはタンパク質の機能的ダイナミクスを研究するための標準ツールだが、生物学的に意義のあるマイクロ秒〜ミリ秒スケールへのアクセスには膨大な計算資源を要する。MIT Center for Bits and AtomsのCosta/Jacobson et al.は **DeepJump** を提案した。Euclidean等変Flow Matchingモデルで、現在の構造と時間ジャンプサイズ δ を入力として δ ns後のコンフォメーションを直接予測する。古典MDを必要とせず、構造遷移の確率的な教師あり学習によってタンパク質の動力学を再現する。