📚 月次論文レビュー — 🔬 計算化学

SynKit は化学反応のルールベースモデリングと解析のための統合 Python ライブラリである。現状の反応インフォマティクスエコシステムは RDChiral・CGRtools・RDKit・OpenEye 等の断片化したツール群で構成されており、互いの相互運用性が低く、専門外の研究者には利用障壁が高い。SynKit はこれらを橋渡しするアダプタベースの入出力層・統一データスキーマ・モジュラープラグイン設計を採用し、反応正規化・テンプレートクラスタリング・サブグラフ検索・DPO ルール組成・フォワード/バックワード反応予測を単一フレームワークで提供する。PyPI・Conda・DockerHub で配布（MIT ライセンス）されており、広い互換性とインストール容易性を重視している。

フラグメントベース創薬（FBDD）では、小さな有機フラグメントがタンパク質のどの部位にどのような配置で結合するかを計算で明らかにすることが、ヒット-リード最適化の出発点として不可欠である。本研究はフラグメント溶解型MD（fdMD）にGaussian加速MD（GaMD）を統合した「fdGaMD」アプローチを提案し、従来のfdMDの課題だった偽陽性スパリアスサイトの排除と結合モード解明の加速を12の多様なタンパク質-フラグメントシステムで実証した。

SiteMatcherはPDBに蓄積された39,000タンパク質-リガンド複合体の構造情報を活用し、タンパク質-リガンド間の相互作用パターン（水素結合・π-πスタッキング・塩橋）を系統的に抽出・インデックス化したデータベースと、それを用いてユーザーが指定したシード化合物に対してPDB由来フラグメントを3D空間で自動的に接合するエンジンを組み合わせた構造ベースリガンド設計Webサーバーである。医薬品化学者が自分のターゲットタンパク質に結合するリガンドを設計する際に、類似した結合環境で実際に使われているフラグメントを系統的に再利用できることが最大の価値である。

Enamine REAL space（200億分子以上）のような超大規模make-on-demand化合物ライブラリを、全分子を列挙することなくフレキシブルドッキングと組み合わせて探索する進化的アルゴリズム REvoLd（RosettaEvolutionaryLigand）を提案。Eisenhuth・Meilerグループ（Leipzig/Vanderbilt大学）による。make-on-demand空間の特徴（合成ブロック×反応の組み合わせ）を活用し、分子全体ではなく断片レベルで突然変異・交叉操作を行うことで合成可能性を担保しつつ超大規模化学空間を効率探索する。5つの薬物ターゲット（Tyrosyl-tRNA合成酵素、Orexin 1/Muscarinic M1/Y1受容体…

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。