ドッキングとスコアリング

バーチャルスクリーニングは、リガンド ヒット化合物を発見し、構造 に基づく創薬プロジェクトにおけるリード化合物の最適化を支援する上で、非常に有効な手法であることが実証されています。大規模な化合物ライブラリライブラリ を、ターゲット 受容体 の1つ以上の高解像度構造にドッキングさせることで、同定 リード化合物の最適化候補を絞り込むために実験的にスクリーニングする必要のある化合物の数を、通常は減らすことができます。 タンパク質ターゲット に良好に結合する可能性の高い低分子を同定することに加え、ドッキング法は、ポリペプチドやマクロサイクルのポーズ予測、タンパク質-リガンド 複合体の幾何学的構造の予測、および自由エネルギー摂動法やMM-GBSA法を用いた結合親和性予測のための同族系列の作成など、様々な場面で利用されています。構造 に基づく仮想スクリーニングで一般的な剛体近似受容体 を超え、誘導適合（Induced Fit）ドッキングプロトコルは、ドッキングリガンド がタンパク質構造 に及ぼす影響を予測します。

受容体 のドッキング（リジッド）Glide

Glide ドッキングおよびスコアリングの手法

Glide のHTVS、SP、およびXPドッキング手法については、これまでに詳細に報告されている。^1-3Glide HTVSおよびSPでは、一連の階層的フィルターを用いて、受容体 の結合部位領域におけるリガンド の候補位置を検索する。受容体 の形状と特性は、グリッド上で異なるフィールドのセットによって表現され、リガンド の姿勢に対して段階的に精度の高いスコアリングを行う。リガンド のトーションを網羅的に列挙することで、ドッキングプロセス中に検討されるリガンド のコンフォメーションの集合が生成される。 これらのリガンド コンフォメーションを基に、リガンド が利用可能なphase 空間全体に対して、有望なリガンド ポーズを特定するための初期スクリーニングが決定論的に実行される。初期スクリーニングで選択されたポーズから、リガンド は、距離依存性誘電体モデルを用いた^OPLS34（Glide SP & XP）またはOPLS2005（GLIDE HTVS）を用いて、受容体 の領域内でねじれ空間において精緻化される。 最後に、受容体 の場内で、リガンド の完全な柔軟性を用いて、少数のポーズについて最小化を行います（ドッキング後最小化、PDM）。このプロセスは、図1に示されるように「ドッキングファンネル」と呼ばれます。

Glide HTVSは、約2秒/化合物 の速度で化合物をドッキングさせることができ、サンプリングの精度を多少犠牲にすることで高速化を実現しています。Glide SPは網羅的なサンプリングを行い、速度と精度のバランスに優れているため推奨されており、所要時間は約10秒/化合物 です。Glide XPは「アンカー・アンド・グロウ」サンプリング手法を採用し、GlideScoreには異なる関数形式を用いています。化合物のドッキング速度は約2分/化合物 です。これら3つのドッキングモードは、ほとんどの状況において、速度と精度のバランスを考慮した幅広い選択肢を提供します。

Glide リガンド E^{model1スコアリング関数を用いて}、所定のリガンド のタンパク質-リガンド 複合体の中から化合物を選択し、^{GlideScore2関数を用いて}化合物を順位付けすることで、強く結合する化合物（活性物質）と結合しない化合物（不活性物質）を区別します。Emodelスコアリング関数は、主にタンパク質-リガンド 間のクーロン・vdWエネルギーによって定義され、GlideScoreからの寄与はわずかです。 GlideScoreは、強い結合親和性を持つ化合物を、結合能力がほとんどない、あるいは全くない化合物から最大限に分離するように設計された経験的スコアリング関数である。経験的スコアリング関数として、これは親油性-親油性項、水素結合項、回転可能結合ペナルティ、およびタンパク質-リガンド 間のクーロン・vdWエネルギーからの寄与など、結合プロセスの物理的性質を説明する項で構成されている。 これらの項に加え、GlideScoreには、^{疎水性包囲3}を考慮する項が含まれています。これは、近接した親油性タンパク質原子が多数存在する領域において、リガンド によって水分子が置換される現象です。図2および図3に示されるように、疎水性包囲領域内で1つ以上のタンパク質- 水素結合が形成されることは、結合にとって特に有益です。

Glide ドッキング精度とエンリッチメント性能

^『 Glide ^{』の最初の論文¹は}、『Journal of Medicinal Chemistry』誌において^{史上2番目に多く}引用された論文（2016年2月時点）であり、創薬プロジェクトにおけるその応用について多くの文献で言及されています。Glideが、リード化合物の最適化に向けたヒット化合物を一貫して同定 し、タンパク質-リガンド 結合に影響を与える重要な相互作用や脱溶媒化効果の理解を導く能力は、同ツールの広範な採用を後押ししてきました。 最高品質のドッキング結果を得るための前提条件は、Protein Preparation WizardおよびLigPrep を用いてベストプラクティス手法で作成されたタンパク質およびリガンド 構造を使用することです。ドッキング手法の偏りのない比較の一環として、我々はGlide SPについて、^Astex5の自己ドッキングテストセットを用いた結合モード予測、および^{DUDデータセット6}を用いた仮想スクリーニングにおけるエンリッチメントを評価しました。 使用したデータセット、評価指標、および実施された実験は、アナハイムで開催された^第241回ACS会議における「ドッキングおよびスコアリングシンポジウム」の条件に従って規定されたものである^⁷。

In these retrospective experiments, Glide SP reproduces crystal complex geometries in 85% of Astex cases with < 2.5 Å RMSD as shown in Figure 4. Glide is also effective in enriching screened databases in known actives, beating random selection in 97% of DUD targets and giving an average AUC of 0.80 across all 39 target systems. Early enrichment performance shows on average 12%, 25%, and 34% of known actives are recovered in screening the top-ranked 0.1%, 1%, and 2% of recovered decoys. This enrichment is particularly impressive given the structural similarity between active and decoy ligands in the DUD dataset⁸ and that docking a ligand with SP Glide takes only about 10 seconds using modern hardware.

Glide を使用して「実験に密着する」

Glideの幅広い制約条件により、「実験結果に忠実である」ことが可能となり、これは、計算化学によってプラスの影響を受けたロシュ社の医薬品プロジェクトにおける共通のテーマとして報告されている。⁹水素結合制約は、受容体 上の特定の官能基との水素結合の形成を要求し、位置制約は、受容体 を基準として、ドッキングされた姿勢において特定の化学基を空間内の特定の位置に配置することを強制し、金属制約は配位幾何構造を強制する。 コア制約は、MM-GBSAや自由エネルギー摂動法による結合親和性予測のためのドッキング姿勢を準備する際、同族系列の予想される結合様式を強制する上で特に有用である。

ドッキング・マクロサイクル

ドッキング実験において実験的な結合様式を再現するには、環のコンフォメーションを効率的にサンプリングすることが不可欠である。特に、低エネルギーコンフォメーションが数百種類も存在し得るマクロサイクルにおいては、その重要性がさらに高まる。Glide は、低エネルギー状態をサンプリングするために広範な環のコンフォメーションデータベースに依存しており、それ以外の場合、マクロサイクルの環系をサンプリングしない。マクロサイクル用の環テンプレートを生成することで、ネイティブ姿勢の予測精度が大幅に向上する。

代表的な例として、この図に示す2QKZ由来のマクロサイクルが挙げられる。このマクロサイクルでは、天然型のリガンド が、マクロサイクルの環をほぼ閉鎖されたポケットに埋め込んでいる。このポケットに結合するためには、リガンド のカルボニル基およびプロトン化されたアミン基と重要な相互作用を形成する特定の環構造が必要となる。 このマクロサイクルに対して環テンプレートを使用した場合、ドッキングされた姿勢のRMSDは0.22 Åと低くなります。一方、マクロサイクル環のテンプレートを使用しない場合、マクロサイクル環原子のRMSDが0.71 Åと視覚的には類似した環構造であっても、Glide は環をポケットの外側に配置し、その結果、RMSDは10.23 Åという非常に大きな値となります。

ドッキングポリペプチド

医薬品としてのペプチドおよびペプチドミメティックの利用拡大に伴い、ポリペプチドと受容体との結合複合体の幾何学的構造を正確に予測する必要性が高まっています。Glide のSP^{-peptideモード10は}、このニーズに対応するために開発されました。これは、Glide をこのようなリガンドにデフォルトで適用した場合、ベンチマークセットに含まれるペプチドのうち24％しかドッキングに成功しなかったためです。 結合モードの予測精度を向上させるため、Glide サンプリングアルゴリズムを改良し、ペプチドのコンフォメーションがGlide ファンネルを通過する方法を制御するすべてのパラメータを体系的に変更した。これらのパラメータの最適な組み合わせを適用することで、ポーズ予測精度は41%に向上した。さらに、以前報告されたGlide の入力コンフォメーションに対する感度11を活用し、複数の独立したGlide ジョブを実行して結果を統合することで、サンプリングを増加させた。これにより、ポーズ予測精度は53%に向上した。 最後に、予測された各ポーズにMM-GBSAスコアリングを適用することで、精度をさらに58%まで向上させた。これにより、FlexPepDockのようなブルートフォース法（このデータセットでは63%）の精度に迫る結果が得られ、しかも計算コストはごくわずか（Glide プロトコルで24 CPU時間）で済んだ。

どのペプチドが最も扱いやすいのでしょうか？

Glide 最大300個の原子と50個の回転可能な結合を持つリガンドのドッキングが可能です。多くのペプチドリガンドはこれらの制限を超える可能性があるため、事実上、ドッキングの適用対象は残基 が約11以下のペプチドに限定されます。場合によっては、より長いペプチドをドッキングするために、アミド結合をトランス配置で固定する必要があります。ペプチドの構造的特徴と、正確にドッキングできる能力との間には強い相関関係が見られます。 例えば、ペプチドの長さが短く、伸展性が高く、イオン化可能な基の数が少ないほど、ペプチドが正しくドッキングされる確率が高くなることが判明した。さらに、B因子値が低いペプチドセグメントの予測精度には強い相関が見られた一方で、B因子値が高い部分（通常はN末端および／またはC末端）では結晶構造から著しい乖離が見られた構造 。これは、これらの末端部分の予測が、実際には溶液中でアクセス可能な状態である可能性を示唆している。

誘導適合ドッキング

タンパク質複合体の活性部位の幾何学的構造は、結合したリガンド によって誘発される立体構造の変化に大きく依存しています。しかし、タンパク質-リガンド 複合体の結晶構造構造 を解明するには多大な時間を要するため、多くの場合、実現が困難あるいは不可能です。Schrödingerの「Induced Fit（IFD）」プロトコルは、Glide およびPrimeを用いて、受容体 の活性部位内における考えられる結合様式とそれに関連する立体構造の変化を網羅的に検討することで、この問題を解決します。 この独自の手法により、化学者は、hERGホモロジーモデルのような非常に困難な系であっても、最小限の労力で活性部位の幾何構造を迅速に予測することが可能になります。

誘導適合（Induced Fit）プロトコルは、まず活性型リガンド とGlide をドッキングすることから始まります。リガンド の多様な姿勢のアンサンブルを生成するために、この手順では縮小されたファンデルワールス半径と増加されたクーロン・ファンデルワールスカットオフを使用し、ドッキングステップ中に柔軟性の高い側鎖を一時的に除去することができます。各姿勢について、Prime構造 による予測を用いて、近傍の側鎖の向きを調整することでリガンド を適合させます。その後、これらの残基 とリガンド を最小化します。 最後に、各リガンド を対応する低エネルギーのタンパク質構造に再ドッキングし、得られた複合体をGlideScoreとPrimeエネルギーを組み合わせたスコアリング関数に基づいてランク付けする。

Induced Fitの手法は、実際の研究応用において徹底的に洗練されており、モデリングの初心者から専門家まで、幅広いユーザーに容易に利用されています。表3に示すように、結合にタンパク質の構造変化が必要なさまざまなターゲットについて、Induced Fitによる結合姿勢の予測精度は非常に高いものです。Induced Fitのインターフェースには、幅広いシステムに適したデフォルト設定に加え、より困難なケースを解決するためにカスタマイズ可能な高度なオプションも備わっています。 計算は、デスクトップマシンであれば数時間で完了し、複数のプロセッサに分散処理すれば最短30分で完了することも可能です。

共有結合型リガンド のドッキング

近年、ターゲット タンパク質と共有結合を形成する薬剤の設計に対する関心が高まっており、市販されている薬剤の約30％が、共有結合による^阻害作用を持つことが知られている酵素を標的としている12。ターゲット タンパク質との共有結合による相互作用には、生物学的効果の持続時間の延長や、選択性の向上の可能性があるという利点がある。共有結合型薬剤の標的となっているタンパク質の例としては、β-ラクタム系およびβ-ラクトン系抗生物質と結合するセリン系ペニシリン結合タンパク質（PBP）、カテプシンB、 K、Sなどのシステインプロテアーゼ（これらはビニルスルホン、エポキシド、イソチアゾロン、ケトアミド、およびその他の化学基によって共有結合的に修飾される）や、ボセプレビルおよびテラプレビルのケトアミド基と共有結合するC型肝炎ウイルス（HCV）プロテアーゼなどが挙げられる。

このニーズに対応するため、結合モードの予測において高い精度を発揮し、SMARTS パターンを用いた反応性原子の自動検出機能を備えた共有結合ドッキングプロトコル「^{CovDock13, 14}」が開発された。Glide ドッキングとPrime最適化を組み合わせたワークフローを用いることで、CovDock-VS（仮想スクリーニング）モードおよびCovDock-LO（リード最適化）モードは、それぞれ大規模な仮想スクリーニングやリード最適化プロジェクトにおいて共有結合ドッキングを適用することを可能にする。 これら2つのアプローチのワークフローを図7に示す。主にサンプリング数の削減により、CovDock-VSモードはCovDock-LOモードに比べて10～40倍高速である。

CovDockのドッキング精度は高く、遡及的 を用いたネイティブドッキング実験において、CovDock-VSでは平均RMSDが1.9Å、CovDock-LOでは1.5Åという結果が得られており、その結果は表4に示されている。相互作用フィルター（この場合は水素結合制約）と組み合わせることで、CovDock-VSは表5に示すように、遡及的 実験においても優れたエンリッチメント効果を発揮している。 最近のテストでは、カテプシンK、HCV NS3プロテアーゼ、およびEGFRについて、既知の活性物質のそれぞれ71%、72%、77%を、デコイライブラリ の5%以内の範囲で検出できることが示された。 XPO1 のように相互作用フィルターを使用できなかった場合でも、CovDock-VS はデコイ化合物の上位 30% の中から既知の活性物質の 95% を検出することができ、そのうち 33% はデコイの上位 1% から検出されました。