Schrödinger 소분자 양성자화 의 상태 열거 및 pKa 예측을 위한 솔루션

요약

약물의 이온화 상태( pKa )는 생리학적 pH 조건에서 분자의 이온화 상태를 결정하는 데 중요한 역할을 하므로, 신약 개발 과정에서 고려해야 할 핵심 물리화학적 특성입니다. Schrödinger 에서는 스크리닝부터 lead optimization 에 이르는 다양한 신약 개발 단계에 적용할 수 있는 이온화 상태( pKa ) 값, 이온화 상태 분포( 양성자화 ) 및 파생 특성을 예측하기 위한 여러 솔루션을 제공합니다. 여기서는 각 기술 솔루션에 대한 개요와 신약 개발에 이를 적용할 수 있는 사용 사례 예시를 소개합니다.

배경

소분자는 용액 내에서 이온화를 겪을 수 있으며, 이때 서로 다른 이온화 부위에서 양성자(^H+)를 잃거나 얻게 됩니다. 하나 이상의 양성자와의 결합/해리를 통해 부위나 분자가 이온화될 경향을 나타내는 척도는_pKa값으로 정량화됩니다._pKa값이 특정 이온화 부위를 가리키는 경우, 이 값은 미시적_pKa(_micro-pKa)이며, 전체 분자를 가리키는 경우 거시적_pKa(_macro-pKa)입니다. 이온화 부위 주변의 양성자 배열에 따라 형성되는 상태는 pKa 상태( 양성자화 )를 이루며, 동일한 전하 수준을 가진 서로 다른 pKa 상태( 양성자화 )들은 타우토머(tautomers)라고 합니다. 각 양성자화 상태는 다른 상태들과 열역학적 평형을 이루고 있으므로, 이 양성자화 상태 집합 내에서의 분포와 관련된 자유 에너지를 가지며, 이는 열역학적 방정식을 통해_{마이크로-pKa} 값으로부터 도출되거나 상태들의 자유 에너지를 직접 비교하여 구할 수 있다. 약물 설계 에서 분자의 다양한 양성자화 상태를 이해하는 것은 매우 중요하다. 이는 용해도, 막 투과성, 활성 등의 특성을 좌우하기 때문이다.

_pKa예측의 과제

주어진 pH에서 어떤 상태가 우세하며 그 우세도가 어느 정도인지를 파악하는 것은 실험적·계산적 측면에서 모두 어려운 과제입니다. 이는 열역학적 평형 상태에 있는 상태의 수가 단일 양성자화 부위의 수n에 따라 ~^2n으로증가하기 때문입니다. 따라서 산도 측정 가능한 부위가 많은 분자는 잠재적으로 수많은 서로 다른 양성자화 상태를 가질 수 있으며, 이 모든 상태를 열거하고 에너지 점수를 매겨야 합니다.

계산적 측면에서, ‘ Schrödinger ’는 상태의 점수를 매기기 위해 두 가지 주요 접근법을 사용합니다: 1) 미세_pKa값을 활용하여 열역학적 평형 방정식을 평가하는 방법, 2) 상태의 상대 자유 에너지를 직접 예측하는 방법입니다._pKa값을 예측하는 것은 상태 분포를 계산하는 데 중요한 단계이며, 이를 통해 다른 방법으로는 파악할 수 없는 중요한 관련 물리량을 예측할 수 있게 됩니다.

Schrödinger 솔루션 개요

에픽 클래식

이전에 단순히^Epik1으로 알려졌던 Epik Classic은 주어진 pH 조건에서 리간드의_{미세 pKa}값과 가장 높은 확률을 갖는 양성자화 상태를 신속하고 정확하게 예측하는 전문가 시스템입니다. 이 모델의 기반이 되는_pKa예측 기술은 경험적 해밋-태프트 선형 자유 에너지 관계(LFER)로, 이온화 기를 식별하고, 그 근_pKa값을 산출한 뒤, 결합된 화학 단편에 의해 발생하는 변동을 고려하며, 전하 확산을 적용하여 유효_{미세 pKa}값을 도출합니다. Epik Classic은 예측된_pKa값을 사용하여 리간드의 양성자화 상태를 열거하고, 에너지 순으로 정렬한 후, 가장 높은 점유율을 보이는 상태를 반환합니다. Epik Classic은 SMARTS 패턴 기반 규칙을 사용하기 때문에, 구조적 및 입체화학적 효과를 고려하지 못한다는 단점이 있지만, 고처리량 분석에 충분히 빠른 속도를 제공합니다.
 

에픽 7

Epik 7은 Epik을 완전히 재설계한 버전으로, Schrödinger의 강력한 기계 학습( 머신러닝 , ML) 기술을 활용하여 더 광범위한 화학적 영역에서 보다 정확한 결과를 제공합니다. 이온화 기단은 처음에 SMARTS 패턴을 통해 식별된 후, 다양한 이온화 범위에 대한 양성자화 상태를 열거하는 데 사용됩니다.²각 상태의 각 부위에 대한_{미세 pKa}값은 이온화 원자에서 방사형으로 6개의 결합까지 확장된 3층 원자 그래프 컨볼루션 신경망(GCNN)을 통해 예측됩니다. 그런 다음, 각 상태에 대해 예측된_pKa값을 사용하여 상태들의 상대적 에너지를 예측함으로써, 특정 pH에서 가장 높은 점유율을 보이는 상태를 결정하고_{매크로 pKa}값을 계산할 수 있습니다. 이 기계 학습 접근법의 위상학적 특성 덕분에 Epik 7은 이전 버전과 마찬가지로 처리 속도가 빠르면서도 3차원 기하학적 구조 및 입체화학에 구애받지 않습니다.
 

Jaguar pKa

Jaguar _pKa는리간드의 미세_pKa값을 예측하기 위해 세 번째이자 보다 물리학에 기반한 접근 방식을 채택합니다. 이 워크플로는 먼저 질의를 받은 리간드에서 사용자가 정의한 이온화 부위의_pKa값을 계산하기 위해 공액 쌍을 생성하고, 이를 바탕으로 가장 낮은 에너지 구조를 찾기 위한 구조 탐색을 수행한^후³, 밀도 함수 이론(DFT)에 기반한 기하 최적화 및 단일 점 에너지 평가를 진행합니다. 이렇게 도출된 구조적 평균값인 “원시”_{미세 pKa}값은 경험적으로 매개변수화된 관계를 사용하여 보정함으로써 정확한 예측 결과를 제공합니다. Jaguar _pKa는타우토머화가 불가능한 구조에서 가장 우수한 성능을 보입니다. 물리학 기반 방법인 만큼 기하학적 및 입체화학적 효과를 고려하지만, 그 대가로 처리 속도가 다소 느려집니다.
 

매크로-pKa

_Macro-pKa는물리 기반 DFT 계산과 경험적 보정을 결합한다는_점에서 Jaguar _pKa와동일한 철학을 따르지만, 타우토머화 가능한 리간드의 계산이 가능하도록 적용 범위를 확장합니다._Macro-pKa는 Jaguar _pKa와 유사한 워크플로우를 따라 이온화 부위를 자동으로 식별하고, 양성자화 상태를 열거하며, 마이크로_pKa값을 계산하지만, 경험적 보정을 생성하는 방식은 더욱 개선되었습니다. 마지막으로, 계산된 마이크로_pKa값을 사용하여 타우토머 상태( 양성자화 )를 에너지 순으로 정렬하고, 사용자가 지정한 pH 조건에서 가장 높은 점유율을 보이는 상태를 반환하며, 리간드의 매크_{로 pKa}값을 결정합니다. 이러한 접근 방식은 포괄성이 뛰어나지만, Jaguar _pKa에 비해 더 많은 시간과 자원을 소모합니다.

활용 사례

여기서는 신약 개발 워크플로우에서_pKa예측의 몇 가지 활용사례를 간략히 소개합니다.
참고:아래에 소개된 각 활용 사례는 해당 섹션에 나열된 솔루션 중 어느 것을 사용하더라도 해결할 수 있습니다. 제시된 데이터셋은 가능한 여러 솔루션 중 하나의 적용 가능성만을 보여줍니다.

I. 미세_pKa값 조회

적용 가능한 솔루션

• 에픽 클래식
• 에픽 7
• Jaguar _pKa

리간드의 결합 방식을 조사할 때, 이온화 부위의 미세_pKa값은 주어진 pH에서 해당 부위가 이온화될 경향을 나타내는 지표가 된다. 리간드의 이온화 상태는 단백질과 같은 다른 분자와의 상호작용 방식, 예를 들어 염교에 관여할 수 있는지 여부에 직접적인 영향을 미친다.

II. 겉보기 또는 거시적_pKa값의 산출

적용 가능한 솔루션

• 에픽 7
• 거시_pKa

각 전하 수준에서 하나의 우세한 타우토머를 갖는 단가 또는 다가 화합물의 경우,_{미세 pKa 값은}적정 실험을 통해 가장 흔히 얻어지는 겉보기_pKa또는_{거시 pKa}값과 매우 근접할 수 있습니다. 그러나 여러 개의 경쟁적 타우토머를 가진 화합물이나 이온화 상태의 경우, 단일 타우토머의_{미세 pKa}값만으로는 실험적으로 관찰된 거시적 값을 완전히 재현하지 못할 수도 있습니다. 이러한 겉보기 값을 구하기 위해서는 먼저 모든 상태를 열거하고 평가하여,_{매크로-pKa}계산 시 모든 상태의_{마이크로-pKa}값이 고려되도록 해야 한다.

III. 리간드 준비 및 고처리량 스크리닝

적용 가능한 솔루션

• 에픽 클래식
• 에픽 7

물리 기반 시뮬레이션은 일반적으로 모든 수소 원자를 포함하여 시뮬레이션 시스템 내의 모든 원자를 명시해야 합니다. 따라서 Glide 도킹, 분자동역학 및 FEP+ 를 이용한 자유 에너지 섭동을 포함한 구조 기반 시뮬레이션은 리간드의 고밀도 양성자화 상태 앙상블을 사용하여 수행되어야 합니다. 따라서 소분자 리간드 라이브러리에 대한 구조 기반 스크리닝의 중요한 첫 단계는 가장 밀도가 높은 양성자화 상태를 확보하여 리간드를 준비하는 것입니다. Epik Classic과 Epik 7은 당사의 자동화된 ‘ 리간드 준비 ’ 워크플로우( LigPrep)와 통합되어, 고처리량 스크리닝을 위한 대규모 리간드 라이브러리를 준비할 수 있도록 지원합니다. 또한, Epik Classic과 Epik 7, 그리고 이들의 LigPrep 구현 버전은 포켓 내 금속 이온에 결합할 가능성이 있는 추가 상태의 생성 및 점수 산정을 가능하게 합니다.

IV. 히트-투-lead optimization

적용 가능한 솔루션

• 에픽 클래식
• 에픽 7

Once hits are identified, a series of analogs are synthesized to explore the relevant chemical space in greater detail to arrive at improved behavior. It is important to be able to screen potential candidates rapidly and accurately to assess which to optimize further. The < 0.5 log unit accuracy and sub-second calculation speed of Epik Classic and Epik 7 make them excellent tools for rapid idea generation and testing. In addition to pK_a value and protonation state distribution prediction, they have been implemented in other ADMET or property predictors, such as for membrane permeability and solvation energy.

V. 초기 단계 lead optimization

적용 가능한 솔루션

• 에픽 7
• Jaguar _pKa
• 거시_pKa

필요한 다양한 물리적 특성을 최적화하는 작업은 아이디어 구상부터 합성, 어세이 에 이르기까지 번거롭고 비용이 많이 들 수 있습니다. 고품질의 물성 예측이 요구되고 시간적 여유가 있는 이러한 환경에서, Schrödinger의 물리 기반 예측 모델인 Jaguar _pKa및_{Macro-pKa는pKa}예측 정확도를 높이기 위해 입체배열 및 입체화학적 효과를 포함한 더 많은 분자적 특성을 고려합니다. 또한,_Macro-pKa와Epik 7은 모두 조회된 리간드에 대한 상세한 종 분포 보고서를 제공합니다. 이러한 보고서는 pH 범위 전반에 걸친 토토머 상태의 분포를 이해하는 데 특히 유용합니다.

기능 비교표