最新のバーチャルスクリーニングワークフローによるヒット率の劇的な向上

要約

• Schrödinger 低分子リガンドおよびフラグメントを対象とした最新のバーチャルスクリーニングワークフローを開発し、これによりSchrödingerのTherapeutics部門（グループ ）は、ヒット化合物発見の取り組みにおいて、前例のない成功を繰り返し収めることができた。
• 最新のバーチャルスクリーニングワークフローは、機械学習を活用したドッキング技術と絶対結合自由エネルギー計算技術により、最大で数十億種にも及ぶ市販化可能な化合物の超大規模ライブラリを、比類のない精度で効率的にスクリーニングします。
• このワークフローは、複数のスクリーニングキャンペーンにわたり、リガンド全体およびフラグメントの両方について、幅広いターゲットにうまく適用された。
• Schrödinger’s Therapeutics（グループ ）は、このワークフローを活用して、実験的に確認された多様な化学型のヒット化合物を同定 し、実験室で合成または購入して試験する化合物の数を大幅に絞り込み、しばしば2桁のヒット率を達成しました。

背景

長年にわたり、従来のバーチャルスクリーニング（VS）手法を用いたヒット化合物発見の取り組みは、ヒット率が低いという課題に悩まされてきました。Schrödingerの経験では、そのヒット率は通常1～2％にとどまっており、これは100種類の化合物を合成・評価してようやく1～2つのヒット化合物を特定できることを意味します。こうした課題は、主に以下の2つの要因に起因すると考えられています：

まず、従来のVSキャンペーンは、規模が数十万から数百万程度のライブラリに限定されており、化合物空間 の網羅性は限定的でした。これは、創薬が困難なターゲットにおいて特に重大な問題となります。こうしたターゲットでは、ライブラリ におけるランダムなヒット率が低いと予想されるため、ライブラリの規模が小さいほど回収できるヒットの数も少なくなると予想されるからです。 近年、Enamine REALなどの超大規模な商用化学ライブラリの登場や、大規模ライブラリのスクリーニングの価値を実証する研究により、超大規模なライブラリを効率的にスクリーニングできる技術へのニーズがさらに高まっている化合物空間 。¹

第二に、従来のVS法は、GlideScoreなど、さまざまなリガンドを順位付けするために用いられるスコアリング手法の精度の低さによって制約を受けてきました。複合体の幾何構造を静的な視点で捉え、脱溶媒化を近似的に扱うこのような経験的なスコアリング関数は、理論的には化合物を親和性に基づいて定量的に順位付けすることには適していません。したがって、ドッキングは初期段階での候補化合物の選別において強力な技術ではありますが、リガンド のドッキングスコアは、測定された活性 と相関するとは期待されておらず、一般的に相関も見られません。

こうした制約の結果、従来の手法を用いたバーチャルスクリーニングに費やされるリソースの多くは、しばしば無駄になってしまいます。バーチャルスクリーニングの成功率を高め、ヒット化合物の発見に向けた実行可能な手法として確立するためには、超大規模ライブラリを正確にスクリーニングするための、より費用対効果が高く効率的なアプローチが求められています。

設計アプローチ

SchrödingerのTherapeutics部門（グループ ）は、数年にわたり、強力なヒット分子を特定することを目標に、数多くの困難なターゲットを選定してきました。グループ は、機械学習を活用したGlide ドッキングと、高精度なAbsolute BindingFEP+ (ABFEP+) 計算を組み合わせた最新のVSワークフローを採用し、実験コストと時間を最小限に抑えつつ、ヒットからリードへの進展に利用できるヒットの数と質を向上させる方法で、超大規模な化合物ライブラリのスクリーニングと再評価を行いました（図1）。

図1：Schrödingerの最新のバーチャルスクリーニングワークフローの概要。

ステップ1：低分子ライブラリの超大規模スクリーニング

数十億化合物規模のライブラリ（フラグメントの場合は最大5億化合物）を起点として、研究チームは物理化学的特性に基づく事前フィルタリングを行い、望ましくない基を除去しました。次に、最も有望な化合物を迅速に同定 するため、アクティブラーニングGlide （AL-Glide ）を用いたハイスループット仮想スクリーニングを実施しました。アクティブラーニングは、明確に定義された目的に基づいて、次のトレーニングラウンドのためのトレーニングデータの優先順位を決定する、効果的な教師あり学習戦略です。 AL-Glide は、機械学習（ML）とドッキングを組み合わせることで、数十億もの化合物を含むライブラリに対してドッキングによる選別を適用できるようにするものである。²このアプローチを用いることで、ライブラリ のほんの一部のみをドッキング対象とするため、計算コストを大幅に削減し、より現実的なレベルに抑えることができる。

アクティブラーニングサイクルの開始時には、ライブラリ の化合物に関する全データセットから、処理可能な量の化合物が選択され、ドッキング処理が行われる。その後、これらの選択された化合物がトレーニングセットに追加される。そして、モデルは新しい情報に基づいて学習され、機械学習モデルがドッキング手法の代用としてますます精度を高めていくにつれて、このプロセスが繰り返し行われる（図2）。

この機械学習（ML）を活用したドッキングモデルは、ブルートフォースドッキングよりもはるかに迅速に化合物を評価することができます。Glide を用いた一般的なドッキング計算では、化合物 あたり平均数秒かかる場合がありますが、MLモデルでは評価や予測を大幅に高速に行うことができるため、スループットが飛躍的に向上します。その結果、MLによって生成されたモデルは、ライブラリ の全化合物の評価に活用されています。

AL-Glide スクリーニングが完了した後、チームはGlide を用いて、スコアが最も高かった化合物（通常は1,000万～1億化合物程度）に対して、完全なドッキング計算を実施した。

ステップ2：再採点

Glide のドッキングスコアに基づき、最も有望な化合物が選定された後、Glide WSを用いた再スコアリングステップが行われた。 WSは、結合部位における明示的な水情報を活用する高度なドッキングプログラムであり、主にポーズ予測の精度向上により、Glide のみを使用する場合に比べて活性分子をより多く抽出することができる。Glide WSは、同定 が次のスコアリングステップであるABFEP+へ送る化合物をより適切に選定し、より信頼性の高い結合ポーズを提供することで、その過程における偽陽性を低減するのに役立つ。³

ドッキングにより最も高いエンリッチメントスコアを示した化合物は、ABFEP+を用いた厳密な再評価の対象として選定されます。ABFEP+は、Schrödinger社のFEP+ テクノロジーにおけるプロトコルであり、リガンド ／タンパク質複合体の結合状態と非結合状態間の結合自由エネルギーを正確に算出することを可能にします（図3）。^4,5ABFEP+は、実験的に測定された結合親和性との間に信頼性の高い相関関係があることが実証されています。 相対的結合FEP+ とは異なり、ABFEP+は出発点として同様の実験的に測定された参照値化合物 を必要としない。ABFEP+は多様なケモタイプを評価し、正確にスコア付けすることができるため、バーチャルスクリーニングにおいて最も活性の高い化合物を発見するための要となる技術である。

ステップ3：大規模な再採点

ABFEP+は、相対結合FEP+ （RB-FEP+ ）と比較すると計算負荷が高く、リガンド あたり複数のGPUを必要とし、計算時間も約4倍かかります。一般的に、ヒット発見キャンペーンにおいてABFEP+の計算を数千回実行することしか現実的ではありません。ABFEP+の真の選別効果を最大限に引き出すため、アクティブラーニング手法を用いて、はるかに多くの化合物を評価しています。

フラグメントへの最新のバーチャルスクリーニング・ワークフローの適用

実験的なフラグメントスクリーニングにより、FDA の承認を受けた複数の医薬品や臨床候補物質が生み出されてきました。SchrödingerのTherapeutics部門（グループ ）は、この最新のワークフローをフラグメントスクリーニングに応用することで、従来のHTSでスクリーニングされていた3,000～30,000個のフラグメントに対し、数百万個のフラグメントを対象としたスクリーニングのスケールアップに成功しました。

インシリコアプローチは、実験的なフラグメントスクリーニングが抱える根本的な制約、すなわち、フラグメントがさまざまなターゲットに対して高濃度（100 μM～mM）でアッセイできるほど十分に可溶でなければならないという制約に対処するものである。しかし、インシリコで 活性 を厳密に推定する際には可溶性の制約を受けないため、フラグメントの活性 を評価し、推定された活性 に基づいて十分な可溶性が予測される場合には、そのフラグメントをさらに追求することができる。 特定のターゲット に対する結合活性 は、アクティブラーニングABFEP+を用いて計算される。優先度の高いフラグメントについては、最終的に予測された活性 において、SolubilityFEP+を用いてin silicoで溶解性が評価される。⁶本質的に、このアプローチは活性 と溶解性の問題を逆転させることでスケールを実現し、実験的なフラグメントライブラリには存在し得ない、高活性かつリガンド 効率的なフラグメントの発見を可能にする。

これまでに、当チームは、ホモロジーモデルを用いたものを含め、複数の難解なターゲットに対して、計9件の大型フラグメントベース*の仮想スクリーニングを完了しました。9件すべてのスクリーニングにおいて、低nMから30 μMの範囲の活性 値を持つ複数の強力なリガンド 効率的なヒット化合物が得られ、ヒット率は2桁に達しました。

Schrödingerの最新のVSワークフローが、複数のプロジェクトおよびターゲットにおけるヒット率に与える影響

Schrödinger の科学者たちは、こうした最新のVSアプローチを活用することで、従来のスクリーニングと比較してヒット率が劇的に向上したことを実証しました。その結果、予測される結合親和性の高い多種多様なヒット化合物が同定・取得され、実験的に検証された上でヒットとして確認されました。これにより、2桁のパーセンテージという目覚ましいヒット率が達成されました（図4）。

結論

インシリコによるヒット化合物の同定では、長らく小規模なライブラリや精度の低い手法を用いて化合物空間 をスクリーニングしてきたため、ヒット率が低く、実験室でのリソースが大部分無駄に消費されてきた。

絶対結合（FEP+ ）と機械学習を組み合わせた厳密な物理ベースの手法を活用した最新のワークフローへの移行により、SchrödingerのTherapeutics部門（グループ ）は、複数のプロジェクトにわたる多様なターゲットに対してこのワークフローを成功裏に適用し、再現性のある2桁のヒット率を達成することができました。その過程で、チームはプロジェクトのリード候補化合物に到達するために合成・試験する化合物の数を劇的に削減し、全体的なコストとプロジェクト期間を短縮しました。

この戦略により、創薬チームは急成長を続ける超大規模な化合物ライブラリを探索できるようになり、その能力が強化されます。これにより、化合物空間 の広大な迷路を効率的に探索することが可能となり、より優れた特性と選択性を備えた複数のヒット化合物を特定できる確率が大幅に向上します。さらに、創薬プロセスが加速され、より高品質で新規性の高い創薬候補化合物の早期発見につながります。