📚 月次論文レビュー — 🔬 計算化学

Ishitani, MoriwakiはAlphaFold3（AF3）とそのクローンモデルBoltz-1のタンパク質-リガンド複合体構造予測において、リガンドの立体化学（キラリティ・結合長・結合角）に重大な誤りが頻発するという問題を定量的に評価し、モデルの再学習を一切必要としない解決策「Restraint-Guided Inference（拘束付き推論）」を提案した。 AF3はSMILESで指定された正しいキラリティ情報を入力として受け取るにもかかわらず、逆拡散生成の過程でキラリティが反転した構造を出力するケースが論文中で確認されている。このような立体化学誤りは薬物設計・生合成研究における構造予測の実用性を著しく制限するため、実践的な修正法の開発が急務だった。

AlphaFold 3（AF3）は単一タンパク質構造予測を超えタンパク質-リガンド・タンパク質-DNA・タンパク質-RNA複合体の精密なモデリングを可能にしたが、実用上の障壁はその高い計算コストにある。1入力あたりの実行時間の95%以上がMSA（多重配列アライメント）構築フェーズによって占有されており、従来のCPUベースJackHMMERがボトルネックとなっていた。Perry, Kim, Romero（Duke大学）はこのボトルネックをGPU加速MMseqs2に置き換えるdrop-inフレームワーク「AlphaFast」を開発した。単一GPU（H200）で22.8倍、4GPU構成で71.2倍の高速化を達成し、4xH200では1入力あたり8.1秒・サーバーレス運用で$0.035/targetを実現。

make-on-demand 化合物ライブラリは現在 300 億超の分子を収容するまでに成長しており、従来の構造ベースドッキングでは全化合物をスクリーニングすることが計算コスト的に不可能な状況となっている。Luttens ら（Carlsson グループ、Uppsala）は、ML（機械学習）サロゲートモデルと共形予測（conformal prediction: CP）フレームワークを組み合わせることで、数十億化合物ライブラリを全体の 3〜5% のドッキング計算のみで効率的にスクリーニングできる手法を開発した。CatBoost・DNN・Transformer の 3 種の分類アルゴリズムを評価し、CatBoost が速度と精度の最適バランスを示すことを明らかにした。

フラグメントベース創薬（FBDD）では弱い結合を示すフラグメントヒットを出発点に、構造情報を活用してリガンドを成長させることで高活性化合物を導出する。これを支援する計算ツールとして FragGrow を開発・公開した。FragGrow は 3D フラグメントデータベースを事前インデックス化し、ユーザーが設定した制約（相互作用部位・物理化学的特性・官能基等）を満たすフラグメントを親構造に組み込んで新規化合物を 3D 空間で提案する。水素置換・サブ構造置換・仮想合成の 3 モードを持ち、合成可能性を考慮した実用的なフラグメント成長を実現する。

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。軌跡生成は 2 次 ODE（Newtonian）または 2 次 SDE（Langevin）として定式化され，Neural ODE ソルバーが加速度・速度・座標を同時に積分する。

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。リガンドを ANI-2x（H/C/N/O/F/S/Cl 対応，DFT 精度）でモデル化し，タンパク質・溶媒を AMBER…

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。