📚 月次論文レビュー — 🔬 計算化学

EZH2（Enhancer of Zeste Homolog 2）はPRC2複合体のヒストンメチルトランスフェラーゼで、H3K27me3修飾を介してがん抑制遺伝子の転写サイレンシングを誘導するエピジェネティック標的である。本研究は生成AI（REINVENT）・構造ベーススクリーニング（分子ドッキング）・MM/GBSA自由エネルギー計算・100ns MDシミュレーション・QSAR・DFT計算を統合した多段階ワークフローで、FDA承認EZH2阻害剤Tazemetostatを凌駕する4リード化合物（161・225・234・383）を同定した。

バイオアイソスター置換で生成される大量の候補分子（500本）を、FEP 計算の一部のみで効率的にランキングする「アクティブラーニング FEP」ワークフローを提案した論文。3D-QSAR（コンセンサス回帰＋ガウス過程回帰）と FEP を反復的に組み合わせることで、全候補の 16%（80本）の FEP 計算のみで最高活性バイオアイソスターを同定できることを人アルドース還元酵素（ALR2）データセットで実証した。

マクロ環型 JAK2 阻害剤である pacritinib（PDB: 8BPV）とその 19 種のアナログに対して、静電相補性（EC）スコア・3D-field QSAR・自由エネルギー摂動（FEP）を段階的に適用し、合成優先順位付けの計算フレームワークを構築した論文である。特に FEP においてマクロ環特有の課題—コンフォーマーの多様性と力場選択—が予測精度を大きく左右することを実証し、QM 計算による低エネルギーコンフォーマー生成と GAFF 力場の組み合わせで Kendall's Tau=0.55、Pearson=0.84 という実用的な予測精度を達成した。

U1A RNA結合タンパク質の表面に4つのイオン化可能置換（E11K/E12K/D90K/D92K）を導入した変異体が、野生型と劇的に異なる三次元構造（αへリックス含量2倍・三量体形成）を示すことをX線結晶構造解析で実証した論文である。さらに、AlphaFold2・RoseTTAFold2・OmegaFold・ESMFoldという最先端AI構造予測モデル4種がいずれも野生型とほぼ同一の構造（RMSD<1Å）を予測し、この実験的な構造変化を全く捉えられなかったことを示した。AIモデルが埋没イオン化残基を含む系で物理化学的原則に反する予測をするという根本的な限界を明らかにする重要な警告論文である。

フレキシブルリガンドアライメント（G-align）を受容体形状制約と組み合わせることで、大規模化合物ライブラリの仮想スクリーニング（VS）を高速かつ受容体依存性高く実行するフレームワーク G-screen を提案した論文である。従来のリガンドベース仮想スクリーニング（LBVS）の速度優位性を維持しながら、受容体ポケット形状に適合するかどうかを評価する受容体認識機能を付加した点が核心的な貢献であり、スケーラブルな実装によって数百万化合物の高速スクリーニングが可能である。

BioEmu（Biological Ensemble Emulation）と分子動力学（MD）シミュレーションおよびMarkov状態モデル（MSM）を統合することで、タンパク質のコンフォメーション空間を効率的かつ精度高くサンプリングするフレームワークを提案した論文である。Bhakatらの研究であり、BioEmuが生成する多様なコンフォメーションアンサンブルをMDシミュレーションの初期条件として使用し、MSMで動力学的状態を推定することで従来の長時間MDに匹敵するサンプリング効率を実現している。

Boltz-2のタンパク質-リガンド結合予測性能を大規模に独立評価した論文である。Wan・Covenyらが16,780化合物（ホールドアウトセット）と21,702化合物（最新PDB構造）を用いて、Boltz-2の結合ポーズ精度・親和性相関・計算コストを体系的に評価した。開発者側の主張を第三者が独立検証することで、実際の仮想スクリーニング環境でのBoltz-2の実力を明らかにする位置づけの研究である。

短時間（1〜5ns程度）の標準MDシミュレーションから非調和低周波振動モードを抽出し、それを集団変数（CV）として強化サンプリングに使用することで、タンパク質のコンフォメーション転移を事前知識なしに高速かつ正確に探索する手法を提案した研究。従来の強化サンプリング（メタダイナミクス・REST2等）はCV設定に専門知識が必要だったが、本手法はCVを短時間シミュレーションから自動抽出することで「知識不要」の汎用的強化サンプリングを実現する。

LLMコーディングエージェント（Claude Code）が高レベルの科学的指示のみで完全な仮想スクリーニング（VS）ベンチマークパイプラインを自律設計・実行した初の事例報告。FPR2（GPCR）をターゲットとしてUni-Dock（物理ベース）とDiffDock（拡散ベース機械学習）を比較し、Uni-DockがROC AUC 0.70–0.73、DiffDockがAUC 0.54–0.56（ほぼランダム）という結果を得た。物理ベースドッキングが拡散ベースMLドッキングを大幅に上回ることを、AIエージェントが自律的に定量化した。

Shoichetグループが約9億分子の超大規模ライブラリを3つのGPCRターゲット（α2Aアドレナリン受容体・SERT・MOR）に対して同時ドッキングし、複数受容体に結合するデュアル/トリプルアクティブをin silicoで予測・実験的に確認した研究。従来のポリファーマコロジー探索が順次スクリーニングに依存していたのに対し、超大規模ライブラリを複数ターゲットに一括適用して多受容体プロファイルを最初から設計するアプローチを実証した。