生成分子設計における合成可能性問題の回避

科学分野:

• 計算化学
• 医薬品化学
• 創薬

背景:

• 生成構造ベース創薬（SBDD）モデルは、新規薬剤候補の発見を加速します。
• 現在のSBDDモデルの主な限界は、合成可能性の低い化合物を生成することであり、実用的な創薬を妨げています。
• 既存の仮想リガンドスクリーニング（VLS）法は、化学空間の増大と計算要求の増大に課題を抱えています。

研究 の 目的:

• 生成SBDDにおける合成可能性の課題に対処すること。
• 新しいモデルガイド仮想スクリーニング（MGVS）パイプラインを導入すること。
• 薬剤候補同定の効率と実用性を向上させること。

主な方法:

• 生成SBDDモデルと化学的類似性検索を統合したMGVSパイプラインを開発しました。
• MGVSを使用して、生成された化合物の合成可能な類似体を超大規模化合物データベース内で特定しました。
• MGVSのパフォーマンスを、標準的なVLSと比較して、多様なタンパク質ターゲットとSBDDモデルで評価しました。

主要な成果:

• MGVSは、同等またはそれ以上のドッキングスコアと結合ポーズを持つ合成可能な類似体を確実に特定しました。
• MGVSは、標準的なVLSと比較して、スクリーニング効率において一貫して25倍の改善を示しました。
• このアプローチは、複数のSBDDモデルと様々なタンパク質ターゲットに対して有効であることが証明されました。

結論:

• MGVSパイプラインは、生成SBDDの合成可能性の限界を効果的に克服します。
• MGVSは、拡大する化学空間をナビゲートするために不可欠な、スクリーニング効率の大幅な進歩を提供します。
• このアプローチは、増大する計算上の課題に直面する実用的な創薬を加速するために不可欠です。