ニュース

Oct 01, 2023

創薬を効率化するコンピュータによるアプローチ

Natura Volume 616, pagina

Nature volume 616、pages 673–685 (2023)この記事を引用

28,000 アクセス

1 引用

371 オルトメトリック

メトリクスの詳細

コンピュータ支援による創薬は数十年前から行われてきましたが、ここ数年、学術界と製薬業界の両方でコンピュータ技術を採用する方向に地殻変動が見られました。 この変化は主に、リガンドの特性、治療標的への結合、およびその 3D 構造に関する大量のデータ、豊富なコンピューティング能力、および数十億の薬物様小分子のオンデマンド仮想ライブラリの出現によって定義されます。 これらのリソースを最大限に活用するには、効果的なリガンド スクリーニングのための高速計算手法が必要です。 これには、高速反復スクリーニング アプローチによってさらに促進される、ギガスケール化学空間の構造ベースの仮想スクリーニングが含まれます。 非常に相乗効果があるのは、受容体構造の代わりにリガンド特性と標的活性を予測する深層学習の開発です。 ここでは、リガンド発見技術の最近の進歩、創薬と開発のプロセス全体を再構築する可能性、およびそれらが直面する課題について概説します。 また、タンパク質標的に対する、非常に多様で、強力で、標的選択的でドラッグライクなリガンドを迅速に同定することで、創薬プロセスが民主化され、より安全でより効果的な小分子治療法の費用対効果の高い開発の新たな機会がどのように得られるかについても議論します。

基礎的な生命科学とバイオテクノロジーの驚くべき進歩にもかかわらず、創薬開発（DDD）は依然として遅く、高価であり、低分子薬の製造には平均で約15年と約20億米ドルかかります1。 臨床研究は各薬剤の開発において最も高価な部分であることは認められていますが、時間とコストを節約できる機会のほとんどは、発見の初期段階と前臨床段階にあります。 主要な公的資金に加えて、前臨床の取り組み自体が製薬業界の経費の 43% 以上を占めています1。これは、標的の選択からヒットの特定、リードの最適化から臨床候補者の選択に至るまでの各段階での高い減少率が原因です。 さらに、臨床試験における高い失敗率 (現在 90%)2 は、不適切なターゲット検証や次善のリガンド特性など、早期発見に根ざした問題によって主に説明されます。 DDD の初期段階で、最適な吸収、分布、代謝、排泄および毒物学 (ADMET) および薬物動態 (PK) プロファイルを備えた、より多様な高品質の化学プローブ、ヒットおよびリードのプールを迅速かつアクセスしやすい方法で発見できれば、結果が改善されるでしょう。前臨床および臨床研究を促進し、より効果的で、入手しやすく、より安全な医薬品を促進します。

コンピュータ支援創薬 3 の概念は 1970 年代に開発され、1981 年にフォーチュン誌によって普及しましたが、それ以来、誇大広告と幻滅を何度か繰り返してきました 4。 その過程で成功例もあり 5、一般に、コンピュータ支援アプローチは、創薬プロセスの不可欠ではあるものの、控えめな部分となっています 6,7。 しかし、ここ数年、いくつかの科学技術の進歩により、学術界と産業界の両方で創薬の重要な推進力としてコンピューターによるアプローチを採用する方向に地殻変動が生じました。 製薬会社やバイオテクノロジー企業は、計算による創薬の取り組みを拡大したり、初めての計算化学者を雇用したりしています。 多くの新興および既存の創薬企業が、高度な物理ベースの分子モデリングと深層学習 (DL) および人工知能 (AI) の組み合わせに大きく依存するビジネス モデルで、過去数年間に数十億ドルを調達しました8。 最新のコンピューターを活用した発見活動から医薬品の承認を期待するにはまだ時期尚早ですが、これらの研究から生み出される臨床候補薬の数は増加しており、一部のキャンペーンではターゲットからリードまでの時間が 1 ～ 2 か月という短さを特に主張しています 9,10。または、目標から診療までの期間が 1 年未満11. これらは、創薬においてコンピューターによるアプローチが果たす役割の大きな変化の兆候なのでしょうか、それとも誇大広告サイクルの新たな一巡にすぎないのでしょうか?

最近の変化を定義する主な要因を見てみましょう (図 1)。 第一に、結晶学における自動化12から微結晶学13,14、そして最近ではクライオ電子顕微鏡技術15,16に至る構造革命により、臨床的に関連のある標的の大部分、多くの場合、関連する状態または分子複合体の3D構造を明らかにすることが可能になりました。その生物学的機能。 特に印象的なのは、G タンパク質共役受容体 (GPCR)17 や、50% 以上の薬剤の作用を媒介するその他の膜タンパク質 18 の最近の構造的好転であり、リガンドのスクリーニングとリードの最適化のための 3D テンプレートを提供します。 2 番目の要因は、ヒットおよびリードの発見に簡単にアクセスできる、医薬品のような化学領域の急速かつ顕著な拡大です。 ほんの数年前まで、このスペースはベンダーが提供する数百万の市販化合物と製薬会社の社内スクリーニング ライブラリーに限られていました。 現在、スクリーニングは、オンデマンドで簡単に作成できる薬物様化合物の超大規模な仮想ライブラリと化学空間を使用して行うことができ、化合物数は数十億を超えて急速に増加しており 19、理論的に予測された合成可能性を備えたさらに大きな生成空間も利用できます (ボックス 1)。 。 3 番目の要素には、豊富な 3D 構造とリガンド データを最大限に活用しようとする新たな計算アプローチが含まれます。これらの手法は、これらの手法を大規模にサポートするクラウドおよびグラフィックス プロセッシング ユニット (GPU) コンピューティング リソースの広範な可用性によってサポートされています。 これには、加速 23、24、25 およびモジュラー 26 スクリーニング アプローチを使用した、超大規模ライブラリの構造ベースの仮想スクリーニング 20、21、22、および ADMET と PK を予測するためのデータ駆動型機械学習 (ML) および DL 手法の最近の成長が含まれます。特性とアクティビティ27.

a. PDB と個人コレクションにある 200,000 を超えるタンパク質構造には、タンパク質ファミリーの 90% 以上が高解像度 X 線および最近では極低温電子顕微鏡構造でカバーされており、多くの場合、明確な機能状態にあり、残りのギャップも含まれています。相同性または AlphaFold2 モデルによって埋められます。 b. スクリーニングと高速合成に利用できる化学スペースは、2015 年の約 107 種類の既製化合物から、2022 年には 3 × 1010 以上のオンデマンド化合物まで増加しており、1015 種類の多様で新規な化合物を超えて急速に拡大することができます。 c. VLS の計算手法には、高速で柔軟なドッキング、モジュラー フラグメント ベースのアルゴリズム、DL モデル、およびハイブリッド アプローチの進歩が含まれます。 d. 計算ツールは、手頃な価格のクラウド コンピューティング、GPU アクセラレーション、特殊チップの急速な成長によってサポートされています。

創薬における最近の構造革命 17 とコンピューティング ハードウェアの影響 28 は他の場所で包括的にレビューされていますが、ここでは、アクセス可能なドラッグライク化学空間の継続的な拡大と、リガンドの発見と最適化のための計算手法の現在の開発に焦点を当てます。 私たちは、ギガスペースに適用される新しい計算ツールが、目的の標的に対する数百、さらには数千もの非常に多様で強力な標的選択性の薬物様リガンドの費用対効果の高い発見をどのように促進し、それらを実験的アプローチの文脈に置くことができるかを詳しく説明します（表1）。 新しい計算技術の完全な影響が臨床開発に影響を及ぼし始めたばかりですが、創薬エコシステムにおける実験的試験や検証との相乗効果により、より良い治療薬を生み出す効率が著しく向上する可能性があると考えられます。

製薬会社は社内でスクリーニング用に化合物のコレクションを蓄積しますが、ベンダーからの在庫コレクション (図のパート a を参照) は迅速な (1 週間未満) 配送が可能で、独自の高度な化学足場が含まれており、簡単に検索でき、HTS です。互換性がある。 ただし、物理ライブラリの処理コストが高いこと、直線的な成長が遅いこと、サイズが限られていること、新規性があることなどにより、アプリケーションが制約されます。

最近では、仮想オンデマンド化学データベース (完全に列​​挙) とスペース (列挙なし) により、検証済みまたは最適化されたプロトコルを使用して、利用可能なビルディング ブロックからの高速並列合成が可能になり、80% 以上の合成成功率と 2 ～ 3 週間での納品が可能になりました (図のパート b) を参照してください。 仮想化学空間は、高い化学的新規性を保証し、新しいシントンや 4 成分以上の反応を含む反応足場の追加による高速な多項式の成長を可能にします。 例には、Enamine REAL、WuXi の Galaxy、Otava の CHEMriya、製薬会社のプライベート データベースやスペースが含まれます。

生成空間は、オンデマンド空間とは異なり、理論的に可能な分子で構成され、集合的にすべての化学空間を構成することができます (図、パート c を参照)。 このような空間は理論上の妥当性によってのみ制限され、薬物様化合物の数は 1023 ～ 1060 と推定されます。 包括的な空間カバーが可能ですが、生成された化合物の反応経路と成功率は不明であるため、実際の合成可能性をコンピューターで予測する必要があります。 生成空間とそのサブセットの例には、GDB-13、GDB-17、GDB-18、GDBChEMBL などがあります。

スクリーニングライブラリーの限られたサイズと多様性は、長い間、新規の強力なリガンドの検出や創薬の全プロセスにとってボトルネックとなってきました。 平均的な「手頃な価格の」ハイスループット スクリーニング (HTS) キャンペーン 29 では、約 50,000 ～ 500,000 の化合物のスクリーニング ライブラリが使用され、二次検証後に真のヒットはわずか数個しか得られないと予想されます。 それらのヒットは、たとえあったとしても、通常はかなり弱く、非選択的で、次善の ADMET および PK 特性と未知の結合モードを持ちます。そのため、その発見には、満足のいく効力とすべてを備えたリード分子を生成するために、何年にもわたる骨の折れる試行錯誤の最適化努力が必要です。前臨床開発のその他の要件。 HTS を数百万の化合物に拡張できるのは大手製薬会社だけですが、それでも結果として得られるヒット商品の品質にはそれほど大きな違いはありません。 同様に、in silico スクリーニングを使用する仮想ライブラリは従来、ベンダーから在庫で入手可能な化合物のコレクションに限定されており、通常は 1,000 万未満の固有の化合物で構成されていたため、HTS に対するスケールメリットはわずかでした。

巨大なドラッグライク化学空間 (1063 以上の化合物と推定される) 30 の完全な網羅を追い求めるのは無駄な努力ですが、オンデマンド ライブラリのスクリーニングを数桁拡大し、これまで未踏の数十億以上のドラッグライク化学物質に拡大します。物理的または仮想的な化合物は、いくつかの方法で創薬モデルを変えることが期待されています。 まず、最初のスクリーニングで潜在的なヒットの数を比例的に増やすことができます 31 (図 2)。 ライブラリー内のこの豊富なリガンドにより、より強力なリガンドまたは選択的なリガンド、およびより優れた物理化学的特性を備えたリガンドを同定する可能性も高まります。 これは、いくつかの標的に対する超大規模な仮想スクリーニングキャンペーンで実証されており、しばしばミッドナノモルからサブナノモル範囲の親和性を有する非常に強力なリガンドを明らかにしている20、21、22、23、26。 第 2 に、同じオンデマンド スペースでヒット類似体にアクセスできるため、カタログごとの意味のある構造活性相関 (SAR) の生成とさらなる最適化ステップが合理化され、複雑なカスタム合成の量が削減されます。 最後に、ライブラリーの規模は重要ですが、ほとんどすべてのオンデマンド化合物がこれまで合成されたことがないため、適切に構築されたギガスケールのライブラリーは、化学的多様性 (たとえ少数の化学反応 32 であっても)、化学的新規性、およびヒットの特許性を拡大することができます。

対数スケールの赤い曲線は、以前の VLS および V-SYNTHES スクリーニング キャンペーンから推定された、100 億、1 億、および 100 万の化合物のライブラリーについて、X よりも優れた結合スコアを持つスクリーニング ヒットの分布を示しています。 青い曲線は、10 μM、1 μM、および 100 nM のしきい値の予測ドッキング スコアに対する実験的ヒット率のおおよその依存性を示しています20。 この分析 (ターゲットごとに異なるため、半定量的) は、1 億を超える化合物のスクリーニングにより、より小規模なライブラリーの制限が解除され、ヒット率が高く、より優れた結合スコアに向けてヒット分布の裾野が広がり、より高い親和性を持つ、比例してより多くの実験的ヒットの同定。 スクリーニング ライブラリーの 100 億以上へのさらなる増加を正当化する 2 つの重要な要因にも注意してください。(1) 合成および実験テストの候補ヒットは、通常、数千のトップスコア化合物のターゲット依存の後処理の結果として選択されます。これは、新規性、多様性、薬物らしさ、そして多くの場合、特定の受容体残基との相互作用を選択します。 したがって、より多くのスコアの良い化合物が同定されるほど、全体としてより適切な選択を行うことができます。 (2) 最高スコアでのヒット率曲線の飽和は普遍的な規則ではなく、スクリーニングで使用される高速スコアリング関数の精度が限られている結果です。 後処理ステップでより正確なドッキングまたはスコアリングのアプローチ (柔軟なドッキング、量子力学的および自由エネルギー摂動) を使用すると、結合スコアと親和性との意味のある相関関係をさらに左に拡張し (灰色の点線)、さらに多くの高親和性ヒットをもたらす可能性があります。巨大な化学スペースに。

最近、HTS におけるライブラリー サイズの限界を押し上げるために、コンビナトリアル ケミストリーや並行アッセイ用の化合物の大規模プールなど、いくつかのアプローチが開発されています。 たとえば、アフィニティー選択質量分析技術を適用すると、標識を必要とせずに、数千の化合物のプール内の結合剤を直接同定できます33。 DNA コード化ライブラリー (DEL) と、それらを生成およびスクリーニングするための費用対効果の高いアプローチも開発されており 34、単一の試験管で約 1010 もの化合物を扱うことが可能になっています 35。 これらの方法には独自の制限があります。 DEL は、リンカーを介してユニークな DNA 配列を持つリガンドをタグ付けすることによって作成されるため、DNA 結合により、ライブラリーの組み合わせアセンブリで可能な化学反応が制限されます。 また、DEL のスクリーニングでは、重要な結合部分のブロックによる偽陰性が多数発生する可能性があり、さらに重要なことに、DNA 標識の非特異的結合による偽陽性が発生する可能性があるため、検証にはヒット化合物の高価なオフ DNA 再合成が必要になります。 この再合成を回避するために、参考文献に記載されているように、各ターゲットの DEL 結果でトレーニングされた ML モードを使用して、オンデマンドの化学空間から薬物様リガンドを予測することが提案されています。 36.

高速計算アプローチによる仮想ライブラリのインシリコ スクリーニングは、物理ライブラリの制限を克服する費用対効果の高い方法として長い間宣伝されてきました。 しかし、参考文献で概説されているように、合成化学およびケモインフォマティクスのアプローチがこれらの限界を打破し、はるかに大きな化学空間を探索する仮想オンデマンドライブラリを構築するために開発されたのはつい最近のことです。 37、38。 2017 年、Enamine による容易にアクセス可能な (REAL) データベース 19,39 は、堅牢な反応原理 40 に基づいた最初の商用利用可能なオンデマンド ライブラリになりました。一方、米国国立衛生研究所は、合成的にアクセス可能な仮想インベントリ (SAVI) 41 を開発しました。エナミンのビルディングブロック。 REAL データベースは、慎重に選択され最適化された並列合成プロトコルと在庫のビルディング ブロックの厳選されたコレクションを使用し、一連の一連の高速 (4 週間未満)、信頼性 (成功率 80%) で手頃な価格の合成を保証することができます。化合物２１． 新しい反応と多様な構成要素によって推進され、完全に列挙された REAL データベースは、2017 年の約 1 億 7,000 万化合物から 2022 年には 55 億以上の化合物に増加し、人気の ZINC20 仮想スクリーニング データベースの大部分を構成しています42。 REAL データベースの実際的な有用性は、最近、いくつかの主要な前向きスクリーニングキャンペーンで実証されています 20,21,23,24 。そのうちのいくつかは、同じ化学空間でさらなるヒット最適化ステップを実行し、カスタムなしで選択的なナノモル、さらにはサブナノモルのリガンドを生成します。合成20、21。 同様の超大規模仮想ライブラリ (GalaXi (http://www.wuxiapptec.com) および CHEMriya (http://chemriya.com)) は市販されていますが、合成の成功率はまだ公開されていません。

オンデマンド仮想ライブラリのモジュール性は、反応や構成要素の追加によるさらなる成長をサポートします。 しかし、数十億を超える化合物を含む完全に列挙された化学ライブラリの構築、維持、検索は時間がかかり、非現実的になります。 したがって、このようなギガスケールの仮想ライブラリは通常、参考文献で包括的にレビューされているように、特定の構成要素と反応 (または変換) のセットによって定義される非列挙化学空間として維持されます。 38. 製薬業界では、最初に公開された例の 1 つにファイザーの PGVL が含まれています 37,43。その最新バージョンでは、1,244 の反応と社内試薬のセットを使用して 1,014 の化合物を説明しています。 他のバイオ医薬品企業は独自の仮想化学空間を持っています 38,44 が、その詳細はパブリックドメインにないことがよくあります。 市販されている化学スペースの中で、WuXi の GalaXi Space (約 80 億化合物)、Otava の CHEMriya (118 億化合物)、および Enamine REAL Space (360 億化合物)45 は、最大かつ最も確立されたスペースの 1 つです。 巨大なサイズに加えて、これらの仮想空間は非常に斬新かつ多様であり、相互の重複は最小限 (10% 未満) です46。 現在、最大の商業スペースである Enmine REAL Space は、同じ合成速度、速度、コストの保証を維持する REAL データベースの拡張であり、170 を超える反応と 137,000 を超えるビルディング ブロックをカバーしています (ボックス 1)。 これらの反応のほとんどは 2 成分または 3 成分ですが、より高次の組み合わせを可能にする 4 成分または 5 成分の反応も研究されています。 このスペースは、利用可能な反応と拡張ビルディング ブロック セット、たとえば 6 億 8,000 万個のメイク オン デマンド (MADE) ビルディング ブロック 47 に基づいて、簡単に 1,015 個の化合物に拡張できますが、そのような化合物の合成にはより多くのステップが必要であり、より高価です。 完全な列挙を行わずに組み合わせ化学空間を表現およびナビゲートするために、フラグメントベースの化学類似性検索 48 から、急速等価体発見エンジン (RIDE) 38 などの原子特性フィールドに基づくより精巧な 3D 分子類似性検索手法に至るまで、特殊なケモインフォマティクス ツールが開発されてきました。

化学空間を構築するために提案された別のアプローチは、合成の実現可能性と化学的安定性の単純なルールに従って、仮説的に合成可能な化合物を生成します。 したがって、生成されたデータベース (GDB) は、特定の数の原子から構成される化合物を予測します。 たとえば、GDB-17 には、C、N、O、S、およびハロゲンの最大 17 原子からなる 1,664 億個の分子が含まれていたのに対し、GDB-18 は 18 個の原子で構成され、推定 1,013 個の化合物に達すると考えられます 38。 以下で説明するように、より狭い定義の化学空間に基づく他の生成アプローチが、DL ベースの生成化学による de novo リガンド設計で現在使用されています (たとえば、参考文献 50)。

一部の商用オンデマンド化学スペース (エナミン REAL スペースなど) の合成成功率は徹底的に検証されています 20,21,22,23,24,26,42 が、他の化学スペースの合成アクセス可能性と成功率は依然として残っています。未公開38． これらは、オンデマンド合成の実際的な持続可能性にとって重要な指標です。成功率が低下したり、不当な時間とコストがかかると、カスタム合成に対する利点が減少するためです。

ギガスケールおよびテラスケールの化学空間は、高い薬剤類似性と多様性を維持している限り、あらゆる標的に対して数百万の潜在的なヒットと数千の潜在的なリードシリーズを秘めていると予想されます。 さらに、非常に扱いやすい堅牢な合成により、最終的な薬剤候補に向けた下流の医薬化学の取り組みが簡素化されます。

ただし、このような仮想ライブラリを扱うには、速度と精度の両方に関する特別な要件を満たす新しい計算アプローチが必要です。 ギガスケールのライブラリを処理できるほど高速である必要があります。 化合物のドッキングに CPU コアあたり 10 秒かかる場合、単一の CPU コアで 1,010 の化合物をスクリーニングするには 3,000 年以上かかり、最も安価な CPU レートのコンピューティング クラウドでは約 100 万米ドルの費用がかかることになります。 同時に、ギガスケールのスクリーニングは非常に正確でなければならず、ホールや近似を悪用してスコアリング機能を効果的に欺く誤検知ヒットから保護する必要があります31。 1010 個の化合物ライブラリーにおける偽陽性の割合が 100 万分の 1 であっても、10,000 個の偽陽性が含まれ、ヒット候補の選択がフラッドアウトする可能性があります。 アーチファクト率と性質はターゲットとスクリーニング アルゴリズムに依存する可能性があるため、スクリーニングと後処理では慎重に対処する必要があります。 このようなアーティファクトに対する単一の単純な解決策はありませんが、実用的で合理的に費用対効果の高い救済策としては、(1) 2 つの異なるスコアリング関数のコンセンサスに基づく選択、(2) 非常に多様なヒットの選択 (多くのアーティファクトが類似した化合物にクラスター化) が挙げられます。 ）、（3）いくつかの範囲のスコアから賭けをヘッジ31、および（4）異常な相互作用について化合物の最終リストを手動でキュレーションします。 最終的には、残っている「スコアリング関数の穴」をできるだけ多く修正し、ギガスペースのトップ真のヒットが見つかるスコアの範囲で高い選択性が得られるようにそれらを再最適化することが非常に望ましいです。 1010 スペースには膨大な数の潜在的なヒットがあるため、スクリーニングで一部のヒットが見逃されること (偽陰性) は十分に許容されます (たとえば、100 万件の潜在的なヒットの 50% が失われることは全く問題ありません)。そのため、スコアの感度にはある程度のトレードオフがあります。許容されます。

潜在的なリガンドのタンパク質標的をスクリーニングするための主な計算アプローチを表 2 にまとめます。以下では、いくつかの新興技術と、それらの技術を DDD パイプライン全体に最適に適合させて成長するオンデマンド化学スペースを最大限に活用する方法について説明します。

仮想ライブラリーの分子を受容体構造にドッキングし、その「結合スコア」を予測することによるインシリコ・スクリーニングは、発見をヒットさせリードするための十分に確立されたアプローチであり、最近の創薬成功事例において重要な役割を果たした 11,17,51。 ドッキング手順自体は、経験的な 3D 形状マッチングアプローチ 54,55 を使用したり、ハイブリッドドッキングファネルでそれらを組み合わせたり 56,57 したり、完全に柔軟なリガンドの迅速な立体構造サンプリングのために、多くの場合内部座標表現で分子力学を使用できます 52,53。 リガンドスコアリング関数には特別な注意が払われており、ライブラリーサイズの増大に特に関係する偽陽性予測を最小限に抑えるために非バインダーを確実に除去するように設計されています。 構造ベースのアルゴリズムのパフォーマンスのブラインド評価は、D3R Grand Challenge コミュニティの取り組みとして日常的に実行されており、リガンドの位置と結合エネルギーの予測が継続的に改善され、最良のアルゴリズムが得られることが示されています。

参考文献で概説されているように、多くの成功した構造ベースの前向きスクリーニングキャンペーンの結果は、ターゲットのすべての主要なクラス、最近では GPCR を対象として長年にわたって発表されてきました。 17、51、60 のものがあり、産業界ではさらに数え切れないほどのものが使用されています。 このようなスクリーニングによって予測された、焦点を絞った候補リガンドセットは、実験テストで有用な (10 ～ 40%) ヒット率を示すことが多く 60、0.1 ～ 10 μM 範囲の効力を持つ多くの標的に対して新規ヒットをもたらします (公開されているものについては、少しでも）。 しかし、1,000万未満の化合物の標準スクリーニングライブラリから得られた初期ヒットの最適化におけるさらなるステップには、通常、高価な類似体のカスタム合成が必要であり、それが提供されたのは公表された少数のケースのみです20,61。

REAL Space などのはるかに大きな化学空間でヒットを直接特定することは、より多くのより優れたヒットをもたらす 31 だけでなく、結果として得られるヒットには同じオンデマンド空間に何千もの類似体や誘導体が存在するため、その最適化もサポートされます。 この利点は、SARS-CoV-2 メイン プロテアーゼ (Mpro) などの困難な標的に対して特に役立ちました。この標的に対しては、何百もの標準仮想リガンド スクリーニング (VLS) の試みが無駄に終わりました 62 (「ハイブリッド in vitro –」の Mpro の課題に関する議論を参照)インシリコアプローチ」以下）。 超大型画面でも初期のヒット率は低かったものの、14 億の化合物を含む REAL データベースの VirtualFlow24 は依然として 10 ～ 100 μM の範囲のヒットを特定し、オンデマンド合成 63 によって最適化され、最良の化合物 Z222979552 (最大阻害濃度の半分 (IC50) = 1.0 μM)。 非共有結合阻害剤を使用した新しい Mpro 構造 (タンパク質データバンク (PDB) ID: 6W63) に基づく 2 億 3,500 万個の化合物の別の超大規模スクリーニングでも、実行可能なヒットが生成され、その迅速な最適化によりナノモルの Mpro が発見されました。オンデマンドとシンプルなカスタムケミストリーの組み合わせにより、阻害剤をわずか 4 か月で生成します64。 この研究で最良の化合物は、臨床で使用されている PF-07321332 (ニルマトレルビル)65 に匹敵する、38 nM の親和性と 77 nM の細胞ベースの抗ウイルス効力を備えた良好な in vitro ADMET 特性を備えていました。

ライブラリのサイズが増大すると、大規模並列クラウド コンピューティングを使用する場合でも、ドッキング自体の計算時間とコストがスクリーニングの主なボトルネックになります。 最近、このサイズのライブラリに取り組むための反復的なアプローチが提案されています。 たとえば、VirtualFlow は、精度を高めるドッキング アルゴリズムを使用してライブラリ全体を段階的にフィルタリングし、約 14 億のエナミン REAL 化合物をスクリーニングしました 23,24。 速度は数倍向上していますが、この方法では依然として完全に列挙されたライブラリが必要であり、その計算コストは​​化合物の数に比例して増加するため、急速に拡大する化学分野での適用は制限されます。

受容体結合ポケットを最適に埋めるために限られたフラグメントのセットから分子を設計するというアイデアは、創薬の初期から取り入れられており、たとえば LUDI アルゴリズムで実装されています 66。 しかし、設計された化合物のカスタム合成は、依然としてそのようなアプローチの大きなボトルネックでした。 最近開発された仮想シンソン階層列挙スクリーニング (V-SYNTHES)26 テクノロジーは、フラグメントベースの設計をオンデマンドの化学空間に適用し、カスタム合成の課題を回避します (図 3)。 REAL Space の反応とビルディング ブロック (シントン) のカタログから始めて、V-SYNTHES はまず、結合点の 1 つでシントンを完全に列挙し、他の位置 (または複数の位置) をメチルまたはフェニル基。 ドッキングベースのスクリーニングにより、標的ポケットによく結合すると予測される上位スコアのフラグメント (たとえば、上位 0.1%) を選択できます。 これを 2 番目の位置 (利用可能な場合は 3 番目と 4 番目の位置) について繰り返し、結果として得られる焦点を合わせたライブラリーを反復ごとに標的ポケットに対してスクリーニングします。 最終ステップでは、REAL Space からの上位約 50,000 個の完全な化合物が、より精巧で正確なドッキング パラメーターまたは方法を使用してドッキングされ、上位の候補が新規性、多様性、および望ましい薬物のような特性の多様性によってフィルター処理されます。 後処理では、合成とテストのために最適な 50 ～ 500 の化合物が選択されます。 私たちの評価では、V-SYNTHES アルゴリズムでシントンをスキャフォールドと組み合わせ、ダミーの最小グループでキャップすることが、最適なフラグメント予測の重要な要件であることが示唆されています。これは、ビルディング ブロックとスキャフォールドの反応性グループが、存在しない強力ではあるものの誤った相互作用を作成することが多いためです。完全な分子で。 アルゴリズムのもう 1 つの重要な部分は、ターゲット内のフラグメント結合ポーズの評価です。これにより、フラグメントが成長するスペースがあるポケットの領域に向けられた最小限のキャップを持つヒットが優先されます。

V-SYNTHES アルゴリズムの概要により、REAL 空間またはさらに大きな化学空間で 310 億を超える化合物の効果的なスクリーニングを可能にし、分子のほんの一部の列挙とドッキングを実行します。 ここで説明されているアルゴリズムは、R1 および R2 シントンを備えたスルホンアミド足場に基づく 2 成分反応を使用しており、完全になるまでステップ 3 と 4 を繰り返し繰り返すことで、数百の最適化された 2 成分、3 成分、またはそれ以上の成分の反応に適用できます。ターゲットポケットに最適に適合する列挙された分子が得られます。 PAINS、パンアッセイ干渉化合物。

当初、カンナビノイド受容体 CB2 アンタゴニストの新しいケモタイプを発見するために適用された V-SYNTHES は、マイクロモル以下のリガンドに対して 23% のヒット率を示しました。これは、標準的な VLS のヒット率を 5 倍超え、計算リソースの消費量は約 100 分の 1 でした 26。 同じ研究の ROCK1 キナーゼ スクリーニングでも同様のヒット率が見られ、低ナノモル範囲で 1 つのヒットが発生しました 26。 V-SYNTHES は、明確に定義されたポケット構造を持つ他の治療に関連する標的にも適用されています。

同様のアプローチである化学空間ドッキングは、これまでのところ、二成分反応に対して BioSolveIT によって実装されています 67。 この方法は、個々のビルディング ブロックのフラグメントをドッキングしてから、それらをスキャフォールドや他のシントンで列挙するため、さらに高速になります。 ただし、高速化にはトレードオフがあります。足場を持たない小さなフラグメントのドッキングは信頼性が低く、それらの反応性基は反応生成物とは異なる特性を持つことがよくあります。 これにより、最終化合物とは無関係な強力な受容体相互作用が導入され、フラグメント選択が誤って誘導される可能性があります。 これは、化学的空間ドッキングにおけるさらなる検証が必要な、環状中毒反応および 3 成分足場に特に当てはまります。

構造ベースのモジュラーアプローチは、ヒットの存在量、化学的多様性、および潜在的な品質をサポートするだけでなく、(1) 既存のリガンドの情報に依存せず、(2) 存在するリガンドを特定するため、堅牢な化学的新規性を持つヒットを特定するのに特に効果的です。これまで合成されたことがありません。 これは、ヒット化合物やギガスケールのスクリーニングから生じるリードシリーズの化学物質の特許性を確保する上で重要な要素です。 さらに、数千の容易に合成可能な類似体により、最良のヒット品に対するカタログごとの広範な SAR が保証されます。これにより、たとえば、CB2 V-SYNTHES ヒット品の効力と選択性が約 100 倍向上しました 26。 多層オンデマンド化学空間拡張機能 (たとえば、MADE ビルディング ブロック 47 によってサポートされる) の利用可能性により、「仮想 MedChem」を通じてリード最適化の次のステップを大幅に合理化することができ、その結果、大規模なカスタム合成が削減されます。

AI ベースの顔認識、ChatGPT、AlphaFold68 の時代には、標的の特定からリードの最適化、トランスレーショナル医療まで、創薬全般にわたってデータ駆動型 DL アプローチの応用に多大な関心が集まっています (参考文献 69、70、71 で概説) ）。

データ駆動型のアプローチには創薬における長い歴史があり、サポート ベクター マシン、ランダム フォレスト、ニューラル ネットワークなどの ML アルゴリズムがリガンドの特性やターゲット上の活性を予測するために広く使用されてきましたが、その結果はまちまちでした。 正確な定量的構造特性関係 (QSPR) モデルは、物理化学的特性 (溶解度や親油性など) および薬物動態特性 (生物学的利用能や血液脳関門透過など) を予測できます。モデルトレーニング用の大規模かつ広範な実験データセットが利用可能であり、成長を続けています72,73,74。 ML は多くの定量的 SAR (QSAR) アルゴリズム 75 でも実装されており、トレーニング セットと結果として得られるモデルは特定のターゲットと化学足場に焦点を当てており、リードの親和性と効力の最適化を導くのに役立ちます。 広範なリガンドとターゲットの結合データセット、化学的類似性クラスタリング、およびネットワークベースのアプローチに基づく方法も、薬物の再利用のために提案されています 76,77。

DL の出現により、データ駆動型モデルが次のレベルに引き上げられ、特定の DL 方法論と創薬への応用を説明する膨大な文献により、より複雑な非線形関係を導き出しながら、はるかに大規模で多様なデータセットの分析が可能になります 27,70。 AI は「例から学ぶ」という性質上、予測モデルをトレーニングするために包括的なリガンド データセットを必要とします。 QSPR については、大規模な公的および民間のデータベースが蓄積されており、溶解度、親油性、または何千もの多様な化合物について実験的に測定された経口バイオアベイラビリティおよび脳透過性の in vitro 代用値などのさまざまな特性が蓄積されており、これらの特性を広範囲の新しい化合物で予測できるようになりました。化合物。

ただし、QSAR モデルの品質は、データの入手可能性に応じてターゲット クラスごとに異なり、最も進歩したのはキナーゼ スーパーファミリーとアミン作動性 GPCR です。 最良の ML QSAR モデルの公平なベンチマークは、200 名を超える専門家が参加した最近の IDG-DREAM 薬物キナーゼ結合予測チャレンジによって提供されました 78。 このブラインド評価の上位の予測モデルには、カーネル学習、勾配ブースティング、DL ベースのアルゴリズムが含まれていました。 最もパフォーマンスの高いモデル (チーム QED による) は、ChEMBL79 および Drug Target Commons80 データベースからの 13,608 個の化合物と 527 個のキナーゼの間の 60,000 個を超える化合物 - キナーゼ ペアのカーネル回帰、タンパク質配列の類似性、および親和性値をトレーニング データとして使用しました。 最良の DL モデルは、トレーニングに 900,000 もの実験的なリガンド結合データ ポイントを使用しましたが、パフォーマンスでは依然としてはるかに単純なカーネル モデルに劣っていました。 最良のモデルは、チャレンジ セットの予測 pKd 値と実験 pKd 値の二乗平均平方根誤差 0.95 でスピアマン ランク係数 0.53 を達成しました。 このような精度は、キナーゼ阻害の単一点実験アッセイの精度およびリコールと同等であることが判明しており、あまり研究されていないキナーゼの最初のヒットのスクリーニングやリードの最適化のガイドに役立つ可能性があります。 ただし、キナーゼファミリーは 500 を超えるターゲットの最大クラスであり、すべてが同様のオルソステリック結合ポケットを持ち、高い交差選択性を共有しているため、ユニークであることに注意してください。 体系的な交差反応性を有する離れた 2 番目のファミリーは約 50 個のアミン作動性 GPCR で構成されますが、他の GPCR ファミリーおよび他の交差反応性タンパク質ファミリーははるかに小さいです。 これらおよびその他のターゲットに対する ML および DL 手法のパフォーマンスと一般化可能性は、まだテストされていません。

広く一般化可能なモデル、さらには普遍的なモデルの開発は、AI 主導の創薬の主要な目標です。 ここでの方向性の 1 つは、既知のリガンド活性と対応するタンパク質-リガンド 3D 構造の両方に関するデータ（たとえば、PDBbind データベース 81 に収集されたデータやドッキングから取得されたデータ）から、結合親和性の一般的なモデル（結合スコア関数）を抽出することです。 このようなモデルでは、空間グラフ畳み込みモデル 82、83、3D ディープ畳み込みニューラル ネットワーク 84、85、またはそれらの組み合わせ 86 など、データとネットワーク アーキテクチャを表現するためのさまざまなアプローチが検討されています。 しかし、最近の研究では、ニューラルネットワークのアーキテクチャに関係なく、PDBbind複合体における非共有結合的な分子間相互作用を明示的に記述しても、相互作用を省略したリガンドのみまたは受容体のみの単純な近似と比較して統計的な利点が得られないことが判明しました87。 したがって、PDBbind に基づく DL モデルの優れたパフォーマンスは、それらの結合に関する一般的な情報の取得ではなく、類似のリガンドと受容体の記憶に依存しています。 この現象について考えられる説明の 1 つは、PDBbind データベースに「ネガティブ スペース」、つまりトレーニングを強制するための次善の相互作用パターンを持つリガンドが適切に表現されていないことです。

この事故は、DL モデルの動作とそのトレーニング データへの依存性をより深く理解する必要があることを例示しており、これは AI コミュニティで広く認識されています。 DL モデルは、特に負のデータが不足している限られたデータセットに基づく場合、オーバートレーニングや誤ったパフォーマンスが発生する傾向があり、場合によってはクラス全体のモデルが「役に立たない」88 とみなされたり、トレーニング データセットを定義する主観的要因によって著しく偏ったりすることがあります 89。 適用範囲を定義し、モデルのパフォーマンスを慎重に検証するための統計ツールが開発されています。 提案された概念の 1 つは、「検証可能データ サイエンス」90 の予測可能性、計算可能性、および安定性のフレームワークです。 AI コミュニティのリーダーらは、高品質のデータを適切に選択することが、「生産ギャップ」、つまり ML モデルが現実世界に展開されたときに成功できないことを埋めるための主要な要件として特に特定しています。 AI を中心としたアプローチ91,92。 AI を「説明可能」にする、つまりデータ、特に創薬アプリケーションにおける一般的な傾向を定式化できるツールを開発する試みも行われています93。

これらの課題と限界にもかかわらず、AI はすでに創薬に大きな影響を及ぼし始めており、最初の AI ベースの薬剤候補が前臨床研究および臨床研究に採用されています。 キナーゼに関しては、AI 駆動化合物が、線維症に関与する受容体チロシンキナーゼ DDR1 の強力かつ効果的な in vivo 阻害剤として報告されています 9。 特発性肺線維症の治療を目的とした ISM001-055 (INS018_055 としても知られる) の第 I 相臨床試験が発表されました 10 が、化合物の正体とその標的は明らかにされていません。 GPCR については、5-HT1A、デュアル 5-HT1A–5-HT2A、および A2A 受容体を標的とする AI 駆動化合物が最近臨床試験に入り、AI 駆動の創薬コンセプトをさらにサポートしています。 これらの最初の成功事例は、すでに薬理学が十分に研究されているキナーゼおよび GPCR ファミリーからのものであり、これらの化合物は既知の高親和性足場と化学的に近い類似性を示しています 94。 次世代の DL 候補薬にとって、新規性と適用範囲を向上させることが重要です。

上で説明したように、物理ベースのアプローチとデータ主導のアプローチには、リガンドの効力を予測する際に明確な利点と限界があります。 構造ベースのドッキング予測は、3D 構造を持つあらゆるターゲットに自然に一般化でき、特にスクリーニングの主な課題である誤検知を排除する際に、より正確になります。 逆に、データ駆動型メソッドは構造の代わりに機能する可能性があり、特に GPU アクセラレーションを使用すると高速になる可能性がありますが、データが豊富なターゲット クラスを超えて一般化するのは困難です。 したがって、一般的には95、特に創薬においては、物理ベースのアプローチとデータ主導のアプローチを何らかの相乗的な方法で組み合わせるための数多くの継続的な取り組みが行われています96。

仮想スクリーニング手法では、物理ベースのドッキングとデータベースのスコアリング関数を相乗的に使用すると、非常に有益となる可能性があります。 さらに、物理ベースのスコアリング関数とデータベースのスコアリング関数が比較的独立しており、両方とも選択された焦点を絞ったライブラリーの強化を生成する場合、それらを組み合わせることで誤検知率を低減し、ヒットの品質を向上させることができます。 この相乗効果は、リガンド IC50 予測に関する最新の 3DR Grand Challenge 4 の結果に反映されています59。この結果では、物理ベースのスコアリングと ML スコアリングの両方を組み合わせて使用​​した上位のメソッドが、ML を使用しないメソッドよりも優れた結果を示しました。 今後は、物理ベース、ML、およびハイブリッドのアプローチの徹底したベンチマークが、新しい計算ヒット発見実験の重要評価 (CACHE) の主要な焦点となり、実際のヒットおよびリードの発見と最適化に関連する 5 つの特定のシナリオを評価します97。

より深いレベルでは、(PDBbind81 などの実験データに加えて) 正確な物理ベースのドッキングの結果を使用して、リガンドと受容体の親和性を予測する一般化されたグラフまたは 3D DL モデルをトレーニングできます。 これは、トレーニング データセットを大幅に拡張し、正と負の (次善のバインディング) サンプルのバランスをとるのに役立ちます。これは、参考文献で説明されているオーバートレーニングの問題を回避するために重要です。 87. ドッキングされたタンパク質-リガンド複合体からの分子結合親和性を予測するためのこのような DL ベースの 3D スコアリング関数は開発され、ベンチマークされており、最近では RTCNN98 が使用されていますが、その実用性はまだ実証されていません。

高解像度の構造を欠くターゲットへの構造ベースのドッキングの適用範囲を拡大するには、AI 由来の AlphaFold2 (参考文献 99,100) または RosettaFold101 3D モデルを使用することも誘惑されます。これらは、タンパク質を含む多くのアプリケーションですでに有用性を示しています。タンパク質とタンパク質-ペプチドのドッキング102. タンパク質の密接な類似性に基づく従来の相同性モデル、特に既知のリガンドを使用して精製した場合 103 は、小分子のドッキングや仮想スクリーニング 104 に使用されてきたため、AlphaFold2 は構造モデリングとその精度の範囲をさらに拡大すると期待されています。 最近の報告では、他の AI アプローチによって強化された AlphaFold2 モデルは、親和性が 8.9 μM と控えめではあったものの、サイクリン依存性キナーゼ 20 (CDK20) 小分子阻害剤の同定に役立ちました (参考文献 105)。 ただし、仮想スクリーニングにおける AlphaFold2 モデルのパフォーマンスのより一般的なベンチマークでは、さまざまな結果が得られます。 既存の結晶構造を持つターゲットに焦点を当てたベンチマークでは、ヒットの合理的な濃縮を達成するために、ほとんどの AlphaFold2 モデルから結合ポケットをブロックするループを除去するか、既知のイオンや他の補因子で増強する必要がありました 106。 実験構造を欠く標的のより実際的なケース、特にリガンド結合ポケットの構造相同性があまり明らかでない標的クラスの場合、小分子ドッキングにおける AlphaFold2 モデルのパフォーマンスは、GPCR および抗菌標的の最近の評価で残念な結果を示しました 107,108 。 PDB 構造を形成する小分子補因子とリガンドを相同な AlphaFold2 モデルに「移植」するために最近開発された AphaFill アプローチ 109 は、これらのモデルの検証と最適化に役立つ可能性がありますが、ドッキングと仮想スクリーニングに対するその有用性のさらなる評価は進行中です。

超大規模な化学ライブラリの仮想スクリーニングを高速化するために、いくつかのグループがハイブリッド反復アプローチを提案しています。このアプローチでは、疎なライブラリ サブセットの構造ベースのドッキングの結果を使用して ML モデルをトレーニングし、その後ライブラリ全体をフィルタリングしてサイズをさらに縮小します。 MolPal25、Active Learning110、DeepDocking111 を含むこれらの手法は、14 億化合物のライブラリの計算コストを 14 ～ 100 削減することが報告されていますが、急速に成長する化学空間にどのように拡張するかは不明です。

ここで強調すべき点は、高速ドッキング アルゴリズムと ML モデルのスコアリング関数は主に潜在的なターゲット バインダーを非バインダーから効果的に分離するように設計およびトレーニングされているものの、結合親和性や効力の予測はあまり正確ではありません。 より正確な効力予測のために、最初の AI またはドッキングベースのスクリーニングによって選択された候補バインダーの小規模な集中ライブラリーを、相対 112 および絶対 113,114,115 の自由エネルギーの自由エネルギー摂動法など、より精巧な物理ベースのツールを使用してさらに分析し、ランク付けすることができます。リガンド結合のこと。 これらの方法は非常に低速ですが、GPU 高速計算 28 の利用は、仮想スクリーニング キャンペーンの後処理で、親和性の高い候補のヒット率をさらに強化する (図 2) だけでなく、リードの最適化にも幅広く応用できる可能性を秘めています。段階。

創薬のためのギガスケール化学スペースをスクリーニングするための迅速かつ実用的な方法の出現は、これらのオンデマンドスペースのさらなる成長を刺激し、識別されたヒットとリードの多様性と全体的な品質の向上をサポートします。 V-SYNTHES スクリーニング用に特別に開発された Enamine REAL Space の xREAL 拡張は、現在 1,730 億の化合物で構成されており 116、さらに大きなビルディング ブロック セット (たとえば、6 億 8,000 万の MADE ビルディング) を活用することで、1,015 化合物以上にさらに拡張できます。ブロック 47)、4 成分または 5 成分の足場を組み込み、発見された新しいクリックのような化学を使用することによって。 MADE で強化された REAL Space、およびその他の商用および独自の化学空間の実世界でのテストにより、それらの合成可能性と全体的な有用性をより広範に評価できるようになります 38,117,118。 並行して、汎用のオンデマンドスペースでは過小評価されている重要な足場に特化した超大規模ライブラリーを構築することができます。たとえば、最近では、簡単に合成できるテトラヒドロピリジンの 7,500 万個の仮想ライブラリーのスクリーニングにより、5-HT2A 受容体に対する強力なアゴニストが得られました 119。

オンデマンドの化学空間のサイズと多様性のさらなる成長は、ビルディングブロックのクリックのような組み立てのための新しい堅牢な反応の最近の開発によっても支えられています。 2022 年のノーベル化学賞で認められた「古典的な」アジド-アルキン環化付加クリックケミストリー 120 や、SuFEx 122 を含む最適化されたクリック様反応と同様に、Ni 電極触媒による二重脱炭酸クロスカップリング 123 などのより最近の開発も期待を示しています。 他の炭素-炭素形成反応では、Csp2-Csp2 カップリングにメチルイミノ二酢酸ボロン酸塩 124 が使用され、最も最近では立体特異的な Csp3-C 結合形成にテトラメチル N-メチルイミノ二酢酸ボロン酸塩 125 が使用されます。 これらの各反応を繰り返し適用すると、限られた数の構成要素で動作する数十億の多様な化合物の新しいオンデマンド化学空間を生成できます。 ペプチド合成において日常的に使用されるアミノ酸の自動アセンブリと同様に、完全に自動化されたプロセスは、数千の多様な構成要素の組み合わせを使用して、オンデマンドで薬物様化合物のライブラリーを生成できるロボットを使用して実行できます126、127、128。 このような機械はすでに稼働していますが、数千の特殊な構成要素の生産をスケールアップすることが依然としてボトルネックとなっています。

より堅牢な生成化学空間の開発は、合成化学における新しい計算アプローチ、たとえば、新しい反復反応シーケンス 129 または DL ベースの逆合成分析からの合成経路と実現可能性の予測 130 によってもサポートできます。 生成モデルでは、合成可能性の予測を、より高いレベルの自動化学設計に向けた効力やその他の特性の予測と組み合わせることができます131。 したがって、強化学習と組み合わせた敵対的生成ネットワーク (GAN-RL) は、最近、化合物の合成の実現可能性、新規性、生物学的活性を予測するために使用され、インシリコでの最適化、インビトロでのリガンドの合成とテストの反復サイクルを可能にしました 50,132。 これらのアプローチは、一連の十分に確立された反応と薬理学的に研究された標的クラスに適用されると、すでに有用なヒットやリードを生み出し、臨床候補につながります50,132。 しかし、創薬における自動化学設計概念とロボット合成の幅広い可能性はまだ明らかになっていません。

ブラインドベンチマークや、増加するターゲットに対する最近の前向きスクリーニングの成功事例は、最新の計算ツールの有用性を裏付けていますが、既存のインシリコスクリーニングアプローチだけではうまく機能するとは予想されない、困難なターゲットのクラスが数多く存在します。 最も困難なケースのいくつかは、キナーゼや GPCR のアロステリック部位、またはシグナル伝達経路のタンパク質間相互作用などのアロステリック部位を標的とする場合によく見られる、リガンドと結合するために開くか、かなりの誘発適合を受ける必要がある、潜在的または浅いポケットを持つ標的です。 。

バイオインフォマティクスと分子動力学のアプローチは、アロステリックポケットや不可解なポケットの検出と分析に役立ちますが 133、計算ツールだけでは、このような困難な部位のリガンド発見をサポートするには不十分であることがよくあります。 しかし、この不可解で浅いポケットは、小さなフラグメントの結合を実験的にスクリーニングすることから始まる、フラグメントベースの創薬アプローチによってかなりうまく処理されてきました。 最初のヒットは、BIACORE、NMR、X 線 134,135、および場合によっては極低温電子顕微鏡 136 などの非常に高感度な方法によって検出され、通常 10 ～ 100 μM の範囲の弱い結合を確実に検出します。 標的の初期スクリーニングは、低親和性リガンドの近接駆動による共有結合を可能にする化学弾頭によって修飾されたフラグメントを使用して実行することもできます137。 いずれの場合も、最初のフラグメント ヒットから完全な高親和性リガンドまでを精緻化することがフラグメント ベースの創薬の主要なボトルネックであり、フラグメントを「成長させる」か、2 つ以上のフラグメントを結合するという大きな労力が必要です。 これは通常、カスタムリガンドの設計と合成を伴う反復プロセスであり、何年もかかる場合があります134,138。 同時に、構造ベースの仮想スクリーニングは、実験的に同定された標的結合ポケットの立体構造と一致するようにフラグメントを計算的に精緻化するのに役立ちます。 最も費用対効果が高いこのアプローチは、フラグメント ヒットがオンデマンド スペースのビルディング ブロックまたはその類似物から特定される場合に適用でき、同じオンデマンド スペースで簡単に精緻化することができます139。

SARS-CoV-2阻害剤を標的としたハイブリッドフラグメントベースの計算設計アプローチの最近の例は、そのような標的によってもたらされる課題を浮き彫りにし、超大型VLSとの直接比較を可能にします。 研究の 1 つは、ウイルスの病因と致死性にとって重要な標的である SARS-CoV-2 NSP3 保存マクロドメイン酵素 (Mac1) を対象としたものでした。 Mac1 に弱く結合する低親和性 (180 μM) フラグメントの結晶学的検出 (参考文献 139) に基づいて、フラグメントの結合により 1 μM ヒットが特定され、カタログ合成によって 0.4 μM リード 140 に迅速に最適化されました。 同じ研究では、4 億の REAL データベースの超大規模スクリーニングにより、ドラッグ様リガンドの 100 を超える新たな多様なケモタイプが同定され、フォローアップのカタログごとの SAR 最適化により 1.7 μM リード 140 が得られました。 SARS-CoV-2の主要プロテアーゼMproについて、新型コロナウイルス・ムーンショット・イニシアチブは、浅い活性部位の異なるサブポケットに結合した71個のヒットを含む1,500個の小さな断片の結晶学的スクリーニングの結果を発表したが、それらのどれも100μgでもin vitroでのプロテアーゼ阻害を示さなかった。 μM（参考文献141）。 フォローアップの計算設計と、結合して成長するフラグメントのスクリーニングをクラウドソーシングする多数のグループが、酵素的 IC50 が 21 μM の非共有結合性 Mpro 阻害剤を含むいくつかの SAR シリーズの発見に役立ちました。 1,000 万を超える MADE エナミン構成ブロックを使用した構造ベースと AI 主導の計算アプローチの両方によるさらなる最適化により、細胞ベースの IC50 が約 100 nM 範囲にある前臨床候補の発見につながり、ニルマトレルビル 65 の効力に近づきました。 。 2,400 を超える化合物がオンデマンドで合成され、10,000 を超えるアッセイで測定されるこのムーンショットの取り組みの巨大な規模、緊急性、複雑さは前例がなく、これは Mpro の非共有結合阻害剤の新規設計の課題を浮き彫りにしています。

ムーンショット構想以外にも、大量の仮想スクリーニングの取り組みはほとんど期待外れの結果をもたらしました62。たとえば、初期の仮想スクリーニングで提案された抗マラリア薬エブセレン142は臨床試験で失敗しました。 しかし、これらの研究のほとんどは、既存の薬剤の再利用に焦点を当てた低分子リガンドセットのスクリーニングであり、実験的裏付けが不足しており、非共有結合性分子のドッキングには次善である共有結合性リガンド複合体（PDB ID: 6LU7）で解決された Mpro の最初の構造を使用していました 142。

比較すると、超大規模ライブラリをスクリーニングするいくつかの研究では、10 ～ 100 μM の範囲で新たに非共有結合性 Mpro 阻害剤を同定できました 24,62,63,143。一方、実験的に試験したのはオンデマンドで合成された数百の化合物のみでした。 これらの研究の 1 つは、エナミン オンデマンド類似体をテストすることによって、これらの弱い VLS ヒットについてさらに詳しく説明し、細胞ベースのアッセイで IC50 = 1 μM のリードを明らかにし、その非共有結合を結晶学的に検証しました 63。 後の、より適切な Mpro の非共有結合共結晶構造 (PDB ID: 6W63) に基づく別の研究では、超大型ドッキングと最適化戦略を使用して、さらに強力な 38 nM リード化合物を発見しました 64。 Mpro の最初の超大規模スクリーニングの結果は控えめなものでしたが、シンプルなオンデマンドの最適化によって同様の品質の前臨床候補が得られる、ムーンショット ハイブリッド アプローチのより精巧で高価な取り組みと同等であったことに注意してください。 これらの例は、困難な浅いポケットであっても、ギガスケールで実行され、正確な構造、十分なテストと最適化の取り組みによってサポートされれば、構造ベースの仮想スクリーニングが実行可能な代替手段となることが多いことを示唆しています。

あらゆる課題や注意点はあるものの、ターゲットからヒット、リード、そして臨床に至る重要な段階で、医薬品のようなオンデマンドの化学空間の膨大な量と多様性を効果的に活用するインシリコツールの新たな機能により、 DDD エコシステムのコンピューター支援からコンピューター主導への変革を求めたくなる誘惑にかられます 144 (図 4)。 初期のヒット特定段階では、創薬キャンペーンへの迅速かつ費用対効果の高いエントリーポイントを提供するために、構造ベースと AI ベースの両方の超大規模な仮想スクリーニング アプローチが主流になりつつあります。 ヒットからリードへの段階では、自由エネルギー摂動や AI ベースの QSAR などのより精巧な効力予測ツールが、リガンドの効力の合理的な最適化を導くことがよくあります。 目標通りの効力と選択性を超えて、ADMET および PK 特性を含むリード シリーズのマルチパラメーター最適化では、さまざまなデータ駆動型計算ツールが日常的に使用されます。 注目すべきことに、1,010 を超える多様な化合物の化学空間には、各標的 20 (ボックス 1) の数百万の初期ヒット、数千の強力で選択的なリード、および同じ非常に扱いやすい化学空間内の一部の限られた医薬化学を伴う医薬品候補が含まれる可能性があります。前臨床研究の準備ができています。 この可能性を活用するには、計算ツールをより堅牢にし、発見パイプライン全体にうまく統合して、最初のヒットを前臨床および臨床開発に変換する際の影響を確実にする必要があります。

標準 HTS とカスタム合成主導のディスカバリー パイプラインと計算主導のパイプラインの概略比較。 後者は、簡単にアクセスできるオンデマンドまたは生成型の仮想化学空間と、創薬プロセスの各ステップを効率化する構造ベースおよび AI ベースの計算ツールに基づいています。

ここで忘れてはいけないのは、計算モデルがどれほど有用で正確であっても、すべての予測が正しいとは決して保証されない可能性があるということです。 実際には、最良の仮想スクリーニング キャンペーンでは、実験検証で候補ヒットの 10 ～ 40% が確認されますが、最適化で使用される最良のアフィニティー予測の精度が 1 kcal mol−1 二乗平均平方根誤差よりも優れていることはほとんどありません。 同様の制限が、ADMET および PK プロパティを予測する現在の計算モデルにも適用されます。 したがって、コンピューターによる予測には、パイプラインの各ステップでの堅牢な in vitro および in vivo アッセイによる実験的検証が常に必要です。 同時に、予測の実験的テストは、特にリガンドの特性予測に関して、トレーニング データセットを拡張することでモデルの品質の向上にフィードバックできるデータも提供します。 したがって、DL ベースの QSPR モデルは、CACO-2 や MDCK などの細胞透過性アッセイでデータをさらに蓄積することや、チップ上の臓器や機能性オルガノイドなどの新しい高度な技術により、より良い推定値を提供することで大きな恩恵を受けることになります。面倒な in vivo 実験を行わずに ADMET および PK の特性を評価できます。 医薬品開発に最も関連する種 (通常はマウス、ラット、ヒト) を表す in vitro アッセイ データを使用して ADMET および PK モデルをトレーニングできる機能は、トランスレーショナル 研究を成功させるための主要な課題である種の多様性に対処するのにも役立ちます。 これらすべてにより、ほとんどの DDD エンドポイントで複合選択を推進できるレベルまで計算モデルを改善するための好循環が生まれます。 より正確な in vitro 検査と組み合わせると、動物実験の要件が軽減され、最終的には廃止される可能性があります (最近 FDA によって示されたように) 145。

遺伝子からリードに至るプロセスのすべての段階で、巨大なオンデマンドの化学スペースに簡単にアクセスできるハイブリッドのインシリコとインビトロのパイプラインを構築すると、最適な効力、選択性、ADMET および PK 特性を備えた多様なリード化合物の豊富なプールを生成するのに役立ちます。結果として、臨床候補者の複数パラメータの最適化における妥協が少なくなります。 このような豊富なデータを計算で駆動するパイプラインを実行するには、創薬のための包括的なデータ管理ツールが必要であり、その多くは製薬および学術 DDD センターで実装されています 146,147。 計算駆動型のパイプラインを構築することは、弱いリンクや欠落しているリンクを明らかにするのにも役立ちます。改良されたモデルを生成するには、新しいアプローチと追加データが必要になる可能性があり、DDD パイプラインに残っている計算上のギャップを埋めるのに役立ちます。 この体系的な統合が続けば、コンピューター駆動のリガンド発見は、新規および研究が十分に進んでいない標的の in vivo プローブ 148、多薬理学および多次元シグナル伝達、または薬物候補のいずれであっても、多数の研究分野の分子を生成するための参入障壁を軽減する大きな可能性を秘めています。希少疾患と個別化医療。

Austin, D. & Hayford, T. 製薬業界における研究開発。 CBO https://www.cbo.gov/publication/57126 (2021)。

Sun, D.、Gao, W.、Hu, H.、Zhou, S. 臨床薬開発の 90% が失敗する理由とそれを改善する方法? アクタファーム。 罪。 B 12、3049–3062 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

Bajorath, J. コンピューター支援創薬。 F1000解像度 4、F1000 ファカルティ Rev-1630 (2015)。

記事 Google Scholar

Van Drie、JH コンピュータ支援医薬品設計: 今後 20 年。 Ｊ．Ｃｏｍｐｕｔ． モルを助けた。 デス。 21、591–601 (2007)。

論文 ADS CAS PubMed Google Scholar

Talele, TT、Khedkar, SA、Rigby, AC コンピューター支援創薬の応用の成功: 医薬品を概念から臨床に移行。 カー。 上。 医学。 化学。 10、127–141 (2010)。

論文 CAS PubMed Google Scholar

Macalino, SJY、Gosu, V.、Hong, S. & Choi, S. 現代の創薬におけるコンピューター支援創薬の役割。 アーチ。 薬学。 解像度 38、1686–1701 (2015)。

記事 CAS Google Scholar

佐部、VT et al。 コンピューター支援医薬品設計の現在の傾向と、コンピューター技術によって発見された医薬品のハイライト: レビュー。 ユーロ。 J.Med. 化学。 224、113705 (2021)。

論文 CAS PubMed Google Scholar

Jayatunga, MK、Xie, W.、Ruder, L.、Schulze, U. & Meier, C. 小分子創薬における AI: 到来する波。 ナット。 Rev.DrugDiscov. 21、175–176 (2022)。

論文 CAS PubMed Google Scholar

ザボロンコフ、A.ら。 ディープラーニングにより、強力な DDR1 キナーゼ阻害剤を迅速に特定できます。 ナット。 バイオテクノロジー。 37、1038–1040 (2019)。 この研究では、生成 AI、合成、化合物の in vitro および in vivo 試験を使用して、わずか 21 日で有力候補を発見したと主張しています。

論文 CAS PubMed Google Scholar

米国国立医学図書館。 ClinicalTrials.gov https://clinicaltrials.gov/ct2/show/NCT05154240#contactlocation (2022)。

シュレーディンガー。 シュレーディンガーは、MALT1 阻害剤である SGR-1505 の治験中の新薬申請の FDA 認可を発表しました。 シュレディンガー https://ir.schrodinger.com/node/8621/pdf (2022)。 このプレスリリースでは、物理学ベースの手法と ML 手法を組み合わせることで、82 億の化合物のコンピューターによるスクリーニングと、10 か月後にわずか 78 分子しか合成されなかった臨床候補の選択が可能になったと述べています。

ジョーンズ、N. 結晶学: 原子の秘密。 ネイチャー 505、602–603 (2014)。

論文 ADS CAS PubMed Google Scholar

リュー、W.ら。 G タンパク質共役受容体の連続フェムト秒結晶構造解析。 サイエンス 342、1521–1524 (2013)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Nannenga, BL & Gonen, T. クライオ EM 法微結晶電子回折 (MicroED)。 ナット。 方法 16、369–379 (2019)。

論文 CAS PubMed PubMed Central Google Scholar

Fernandez-Leiro, R. & Schheres, SH 極低温電子顕微鏡による生体高分子の解明。 ネイチャー 537、339–346 (2016)。

論文 ADS CAS PubMed PubMed Central Google Scholar

ルノー、J.-P. 他。 創薬におけるクライオ EM: 成果、限界、展望。 ナット。 Rev.DrugDiscov. 17、471–492 (2018)。

論文 CAS PubMed Google Scholar

Congreve, M.、de Graaf, C.、Swain, NA、Tate, CG 創薬に対する GPCR 構造の影響。 セル 181、81 ～ 91 (2020)。

論文 CAS PubMed Google Scholar

サントス、R.ら。 分子薬剤ターゲットの包括的なマップ。 ナット。 Rev.DrugDiscov. 16、19–34 (2017)。

論文 CAS PubMed Google Scholar

グリゴレンコ、OO 他容易にアクセスできるスクリーニング化合物の数十億の化学空間を生成します。 iScience 23、101681 (2020)。

論文 ADS CAS PubMed PubMed Central Google Scholar

リュー、J.ら。 新しいケモタイプを発見するための超大規模ライブラリーのドッキング。 Nature 566、224–229 (2019)。 これは超大規模なドッキング研究であり、化学空間の拡大の利点と潜在的な落とし穴も慎重に評価されました。

論文 ADS CAS PubMed PubMed Central Google Scholar

スタイン、RM et al. 概日リズムを調節するメラトニン受容体リガンドの仮想発見。 ネイチャー 579、609–614 (2020)。 この研究は、GPCR のナノモル以下のヒットをもたらした超大型ドッキングを示しています。

論文 ADS CAS PubMed PubMed Central Google Scholar

アロン、A.ら。 sigma2 受容体の構造により、生物活性リガンド発見のためのドッキングが可能になります。 Nature 600、759–764 (2021)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Gorgulla, C. et al. オープンソースの創薬プラットフォームにより、超大型の仮想画面が可能になります。 ネイチャー 580、663–668 (2020)。 この研究では、超大規模仮想スクリーニングを高速化するための最初のアプローチとして反復ライブラリ フィルタリングを示します。

論文 ADS CAS PubMed PubMed Central Google Scholar

Gorgulla, C. et al. 超大規模仮想スクリーニングを使用した、SARS-CoV-2 タンパク質をターゲットとする多角的なアプローチ。 iScience 24、102021 (2021)。

論文 ADS CAS PubMed PubMed Central Google Scholar

デラウェア州グラフ、EI シャクノビッチ & CW コーリー 分子プールベースのアクティブ ラーニングを通じて高スループットの仮想スクリーニングを加速します。 化学。 科学。 12、7866–7881 (2021)。 この研究では、DL とドッキングを反復的に組み合わせることで超大規模スクリーニングを高速化する方法を紹介します。

論文 CAS PubMed PubMed Central Google Scholar

サディベコフ、AA 他。 110 億を超える化合物の仮想ライブラリで Synthon ベースのリガンドを発見します。 ネイチャー 601、452–459 (2022)。 この研究では、ギガスケール スペースをスクリーニングするためのモジュラー コンセプトである V-SYNTHES を導入し、GPCR およびキナーゼ ターゲットに対するそのパフォーマンスを検証します。

論文 ADS CAS PubMed Google Scholar

Yang, X.、Wang, Y.、Byrne, R.、Schneider, G.、Yang, S. コンピューター支援創薬のための人工知能の概念。 化学。 改訂 119、10520–10594 (2019)。

論文 CAS PubMed Google Scholar

パンディ、M.ら。 創薬における GPU コンピューティングとディープラーニングの変革的な役割。 ナット。 マッハ。 知性。 4、211–221 (2022)。

記事 Google Scholar

Blay, V.、Tolani, B.、Ho, SP & Arkin, MR ハイスループット スクリーニング: 今日の生化学および細胞ベースのアプローチ。 ドラッグディスコブ。 1807 年から 1821 年までの今日 25 日 (2020 年)。

論文 CAS PubMed Google Scholar

Bohacek, RS、McMartin, C. & Guida, WC 構造ベースのドラッグデザインの技術と実践: 分子モデリングの観点。 医学。 解像度改訂 16、3–50 (1996)。

3.0.CO;2-6" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291098-1128%28199601%2916%3A1%3C3%3A%3AAID-MED1%3E3.0.CO%3B2-6" aria-label="Article reference 30" data-doi="10.1002/(SICI)1098-1128(199601)16:13.0.CO;2-6">論文 CAS PubMed Google Scholar

Lyu, J.、JJ アーウィン、BK ショイチェット 仮想スクリーニング ライブラリの拡張をモデル化します。 ナット。 化学。 バイオル。 https://doi.org/10.1038/s41589-022-01234-w (2023)。

論文 PubMed Google Scholar

Tomberg, A. & Bostrom, J. 簡単な化学で複雑で多様な新しい分子を生成できるでしょうか? ドラッグディスコブ。 今日、2174 ～ 2181 年 (2020 年) 25 日。

論文 CAS PubMed Google Scholar

Muchiri, RN & van Breemen, RB コンビナトリアルライブラリーおよび天然物から薬理学的に活性な化合物を発見するためのアフィニティー選択 - 質量分析。 Ｊ．マススペクトル。 56、e4647 (2021)。

論文 ADS CAS PubMed Google Scholar

Fitzgerald, PR & Paegel, BM DNA にコード化された化学: いくつかの良好な反応からの創薬。 化学。 改訂 121、7155–7177 (2021)。

論文 CAS PubMed Google Scholar

Neri, D. & Lerner, RA DNA エンコード化学ライブラリー: 有機化合物に増幅可能な情報を与えることに基づいた選択システム。 アンヌ。 Ｂｉｏｃｈｅｍ．Ｒｅｖ． 87、479–502 (2018)。

論文 CAS PubMed PubMed Central Google Scholar

McCloskey、K.ら。 DNA エンコードされたライブラリの機械学習: ヒット検索の新しいパラダイム。 J.Med. 化学。 63、8857–8866 (2020)。

論文 CAS PubMed Google Scholar

Walters、WP 仮想化学ライブラリ。 J.Med. 化学。 62、1116–1124 (2019)。

論文 CAS PubMed Google Scholar

ワシントン州ウォー、MC ニクラウス、カリフォルニア州ニコラウ、M レアリー。創薬のための超大規模化合物コレクションの探索。 Ｊ．Ｃｈｅｍ． 情報モデル。 62、2021 ～ 2034 (2022)。 これは、オンデマンドおよび生成化学空間の歴史と最近の発展についての包括的なレビューです。

論文 CAS PubMed Google Scholar

エナミン。 本物のデータベース。 エナミン https://eninate.net/compound-collections/real-compounds/real-database (2020)。

ハーテンフェラー、M. et al. インシリコ分子設計のための堅牢な有機合成反応のコレクション。 Ｊ．Ｃｈｅｍ． 情報モデル。 51、3093–3098 (2011)。

論文 CAS PubMed Google Scholar

パテル、H.ら。 SAVI、エキスパート システム タイプのルールを通じて、数十億の簡単に合成可能な化合物のイン シリコ生成。 科学。 データ7、384（2020）。

記事 PubMed PubMed Central Google Scholar

アーウィン、JJ 他 ZINC20-リガンド発見のための無料の超大規模化学データベース。 Ｊ．Ｃｈｅｍ． 情報モデル。 60、6065–6073 (2020)。

論文 CAS PubMed PubMed Central Google Scholar

胡、Qら。 Pfizer Global Virtual Library (PGVL): 実験的に検証された並列合成情報を活用した化学設計ツール。 ACS コム。 科学。 14、579–589 (2012)。

論文 CAS PubMed Google Scholar

Nicolaou, CA、Watson, IA、Hu, H. & Wang, J. Proximal Lilly Collection: 実現可能な化学空間のマッピング、探索、活用。 Ｊ．Ｃｈｅｍ． 情報モデル。 56、1253–1266 (2016)。

論文 CAS PubMed Google Scholar

エナミン。 本物の空間。 エナミン https://enamine.net/library-Synthetic/real-compounds/real-space-navigator (2022)。

Bellmann, L.、Penner, P.、Gastreich, M.、Rarey, M. 組み合わせフラグメント空間の比較と、超大規模なメイクオンデマンド化合物カタログへのその適用。 Ｊ．Ｃｈｅｍ． 情報モデル。 62、553–566 (2022)。

論文 CAS PubMed Google Scholar

エナミン。 オンデマンドのビルディング ブロックを作成します (MADE)。 エナミン https://enmine.net/building-blocks/made-building-blocks (2022)。

Hoffmann, T. & Gastreich, M. 化学空間ナビゲーションの次のレベル: 数え切れないほどの化合物ライブラリをはるかに超える。 ドラッグディスコブ。 今日、1148年から1156年（2019年）24日。

論文 CAS PubMed Google Scholar

Ruddigkeit, L.、van Deursen, R.、Blum, LC & Reymond, J.-L. 化学宇宙データベース GDB-17 内の 1,660 億個の有機小分子の列挙。 Ｊ．Ｃｈｅｍ． 情報モデル。 52、2864–2875 (2012)。

論文 CAS PubMed Google Scholar

Vanhaelen、Q.、Lin、Y.-C. & Zhavoronkov、A. 生成化学の到来。 ACS医学。 化学。 レット。 11、1496–1505 (2020)。

論文 CAS PubMed PubMed Central Google Scholar

Ballante, F.、Kooistra, AJ、Kampen, S.、de Graaf, C. & Carlsson, J. G タンパク質共役受容体のリガンドに対する構造ベースの仮想スクリーニング: 分子ドッキングで何ができるでしょうか? 薬理学。 改訂 73、527–565 (2021)。

論文 PubMed Google Scholar

Neves, MA、Totrov, M. & Abagyan, R. ICM とのドッキングとスコアリング: ベンチマーク結果と改善戦略。 Ｊ．Ｃｏｍｐｕｔ． モルを助けた。 デス。 26、675–686 (2012)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Meiler, J. & Baker, D. ロゼッタリガンド: 完全な側鎖の柔軟性を備えたタンパク質と小分子のドッキング。 プロテイン 65、538–548 (2006)。

論文 CAS PubMed Google Scholar

Lorber, DM & Shoichet, BK 立体構造アンサンブルを使用した柔軟なリガンドドッキング。 タンパク質科学。 7、938–950 (1998)。

論文 CAS PubMed PubMed Central Google Scholar

Trott、O. & Olson、AJ AutoDock Vina: 新しいスコアリング機能、効率的な最適化、およびマルチスレッドによってドッキングの速度と精度が向上しました。 Ｊ．Ｃｏｍｐｕｔ． 化学。 31、455–461 (2010)。

CAS PubMed PubMed Central Google Scholar

ハルグレン、TA et al. Glide: 迅速かつ正確なドッキングとスコアリングのための新しいアプローチ。 2. データベーススクリーニングにおける強化要素。 J.Med. 化学。 47、1750–1759 (2004)。

論文 CAS PubMed Google Scholar

フリースナー、RA et al. Glide: 迅速かつ正確なドッキングとスコアリングのための新しいアプローチ。 1. ドッキング精度の方法と評価。 J.Med. 化学。 47、1739–1749 (2004)。

論文 CAS PubMed Google Scholar

ガイブ、Z.ら。 D3R グランド チャレンジ 3: タンパク質-リガンドのポーズと親和性ランキングのブラインド予測。 Ｊ．Ｃｏｍｐｕｔ． モルを助けた。 デス。 33、1–18 (2019)。

論文 ADS CAS PubMed PubMed Central Google Scholar

パークス、CD 他 D3R グランド チャレンジ 4: タンパク質-リガンドのポーズ、親和性ランキング、および相対的な結合自由エネルギーのブラインド予測。 Ｊ．Ｃｏｍｐｕｔ． モルを助けた。 デス。 34、99–119 (2020)。

論文 ADS CAS PubMed PubMed Central Google Scholar

ベンダー、BJら。 大規模ドッキングの実践的なガイド。 ナット。 プロトック。 16、4799–4832 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Manglik, A. et al. 副作用を軽減したオピオイド鎮痛薬の構造に基づく発見。 Nature 537、185–190 (2016)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Cerón-Carrasco、JP 仮想スクリーニングで不活性薬物が得られる場合: 偽りの理論上の友人に対処する。 ChemMedChem 17、e202200278 (2022)。

PubMed PubMed Central Google Scholar

ロセッティ、GG 他インシリコスクリーンのヒットから開発された非共有結合性 SARS-CoV-2 Mpro 阻害剤。 科学。 議員第 12 号、2505 (2022)。

論文 ADS CAS PubMed PubMed Central Google Scholar

ラッテンズ、A. et al. 超大規模仮想スクリーニングにより、コロナウイルスに対して広範囲の活性を持つ SARS-CoV-2 の主要なプロテアーゼ阻害剤を特定します。 混雑する。 化学。 社会 144、2905–2920 (2022)。 この研究では、フラグメントベースと超大規模スクリーニングベースの、困難なターゲットの有力候補の発見を比較します。

論文 CAS PubMed PubMed Central Google Scholar

オーウェン、DR 他 COVID-19 治療のための経口 SARS-CoV-2 Mpro 阻害剤の臨床候補。 サイエンス 374、1586–1593 (2021)。

論文 ADS CAS PubMed Google Scholar

ベーム、H.-J. コンピューター プログラム LUDI: 酵素阻害剤を新たに設計するための新しい方法。 Ｊ．Ｃｏｍｐｕｔ． モルを助けた。 デス。 6、61–78 (1992)。

論文 ADS PubMed Google Scholar

ベロザ、P. et al. 化学空間ドッキングにより、ROCK1 キナーゼ阻害剤を発見するための大規模な構造ベースの仮想スクリーニングが可能になります。 ナット。 共通。 13、6447 (2022)。

論文 ADS CAS PubMed PubMed Central Google Scholar

ジャンパー、J. et al. CASP14でのAlphaFoldの適用と改良。 プロテイン 89、1711–1721 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Vamathevan、J. et al. 創薬と開発における機械学習の応用。 ナット。 Rev.DrugDiscov. 18、463–477 (2019)。

論文 CAS PubMed PubMed Central Google Scholar

シュナイダー、P.ら。 人工知能時代の医薬品設計の再考。 ナット。 Rev.DrugDiscov. 19、353–364 (2020)。 この記事では、創薬における DL アプローチについて包括的に紹介します。

論文 CAS PubMed Google Scholar

Elbadawi, M.、Gaisford, S.、Basit, AW 創薬における高度な機械学習技術。 ドラッグディスコブ。 今日、769年から777年26日（2021年）。

論文 CAS PubMed Google Scholar

Bender, A. & Cortés-Ciriano, I. 創薬における人工知能: 何が現実的で、何が幻想なのか? パート 1: 影響を与える方法と、私たちがまだそこまで到達していない理由。 ドラッグディスコブ。 今日、26、511–524（2021）。

論文 CAS PubMed Google Scholar

デイビス、M.ら。 予測されるヒト薬物動態の精度の向上: 20 年にわたるアストラゼネカの医薬品パイプラインから学んだ教訓。 トレンドファーマコル。 科学。 41、390–408 (2020)。

論文 CAS PubMed Google Scholar

Schneckener, S. et al. ラットにおける経口バイオアベイラビリティの予測: in silico モデルの出力と化学構造パラメーターを使用して、in vitro 相関関係からの洞察を (深層) 機械学習モデルに転送します。 Ｊ．Ｃｈｅｍ． 情報モデル。 59、4893–4905 (2019)。

論文 CAS PubMed Google Scholar

Cherkasov、A. et al。 QSAR モデリング: どこに行っていましたか? どこに行くのですか？ J.Med. 化学。 57、4977–5010 (2014)。

論文 CAS PubMed PubMed Central Google Scholar

カイザー、MJ 他既知の薬剤の新しい分子標的を予測します。 ネイチャー 462、175–181 (2009)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Guney, E.、Menche, J.、Vidal, M.、Barábasi, A.-L. ネットワークベースのインシリコ薬効スクリーニング。 ナット。 共通。 7、10331 (2016)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Cichońska、A. et al. キナーゼ阻害剤の未踏の標的領域のクラウドソーシングによるマッピング。 ナット。 共通。 12、3307 (2021)。

記事 PubMed PubMed Central Google Scholar

ゴールトン、A.ら。 ChEMBL: 創薬のための大規模生物活性データベース。 核酸研究所 40、D1100–D1107 (2012)。

論文 CAS PubMed Google Scholar

Tang, J. et al. Drug Target Commons: 薬物と標的の相互作用に関するコンセンサスのある知識ベースを構築するためのコミュニティの取り組み。 細胞化学。 バイオル。 25、224–229.e222 (2018)。

論文 CAS PubMed PubMed Central Google Scholar

Liu、Z.ら。 PDB全体のバインディング・データのコレクション: PDBbindデータベースの現在のステータス。 バイオインフォマティクス 31、405–412 (2015)。

論文 CAS PubMed Google Scholar

Gaudelet、T. et al. 創薬と開発におけるグラフ機械学習の活用。 簡単な。 バイオインフォーム。 22、bbab159（2021）。

記事 PubMed PubMed Central Google Scholar

Son, J. & Kim, D. タンパク質とリガンドの結合親和性を効率的に予測するためのグラフ畳み込みニューラル ネットワーク モデルの開発。 PLoS ONE 16、e0249404 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

Stepniewska-Dziubinska, MM、Zielenkiewicz, P. & Siedlecki, P. 3D セグメンテーションによるタンパク質 - リガンド結合部位の検出の向上。 科学。 議員 10、5035 (2020)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Jiménez, J.、Škalič, M.、Martínez-Rosell, G. & De Fabritiis, G. KDEEP: 3D 畳み込みニューラル ネットワークによるタンパク質-リガンドの絶対結合親和性予測。 Ｊ．Ｃｈｅｍ． 情報モデル。 58、287–296 (2018)。

論文 PubMed Google Scholar

ジョーンズ、D. et al. 構造ベースのディープフュージョン推論により、タンパク質とリガンドの結合親和性予測が向上しました。 Ｊ．Ｃｈｅｍ． 情報モデル。 61、1583–1592 (2021)。

論文 CAS PubMed Google Scholar

ヴォルコフ、M.ら。 ディープ ニューラル ネットワークを使用してタンパク質とリガンドの構造から結合親和性を予測することへの不満について。 J.Med. 化学。 65、7946–7958 (2022)。

論文 CAS PubMed Google Scholar

ロバーツ、M.ら。 胸部 X 線写真や CT スキャンを使用して、機械学習を使用して 新型コロナウイルス感染症 (COVID-19) を検出および予測する場合の一般的な落とし穴と推奨事項。 ナット。 マッハ。 知性。 3、199–217 (2021)。

記事 Google Scholar

Beker, W. et al. 機械学習は、単に文学の人気傾向を捉えることもあります: 複素環式鈴木-宮浦カップリングのケーススタディ。 混雑する。 化学。 社会 144、4819–4827 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

Yu , B. & Kumbier, K. 検証的なデータ サイエンス。 手順国立アカデミー。 科学。 米国 117、3920–3929 (2020)。 この観点からの記事は、検証可能な AI の基礎を築きます。

論文 ADS MathSciNet CAS PubMed PubMed Central MATH Google Scholar

Ng , A. , Laird , D. & He , L. データ中心の AI コンテスト。 DeepLearning AI https://https-deep-learning-ai.github.io/data-centric-comp/ (2021)。

ミランダ、LJ データ中心の機械学習に向けて: 短いレビュー。 LJ ミランダ https://ljvmiranda921.github.io/notebook/2021/07/30/data-centric-ml/ (2021)。

Jiménez-Luna, J.、Grisoni, F. & Schneider, G. 説明可能な人工知能による創薬。 ナット。 マッハ。 知性。 2、573–584 (2020)。

記事 Google Scholar

Wills, T. AI 創薬: 人間の臨床試験に入る最初の AI 設計の薬剤候補の評価。 CAS https://www.cas.org/resources/cas-insights/drug-discovery/ai-designed-drug-candidates (2022)。

Meng, C.、Seo, S.、Cao, D.、Griesemer, S.、Liu, Y. 物理学が機械学習と出会うとき: 物理学に基づいた機械学習の調査。 プレプリントは https://doi.org/10.48550/arXiv.2203.16797 (2022) にあります。

Thomas, M.、Bender, A. & de Graaf, C. 生成分子設計における構造ベースのアプローチの統合。 カー。 意見。 構造体。 バイオル。 79、102559 (2023)。

論文 CAS PubMed Google Scholar

Ackloo, S. et al. CACHE (Critical Assessment of Computational Hit-finding Experiments): ヒット検索のための計算手法の開発を可能にする官民パートナーシップのベンチマーク イニシアチブ。 ナット。 Ｒｅｖ．Ｃｈｅｍ． 6、287–295 (2022)。 これは、計算による創薬手法の包括的なパフォーマンス評価に対する重要なコミュニティの取り組みです。

記事 PubMed PubMed Central Google Scholar

モルソフト。 高速等量線検出エンジン (RIDE)。 MolSoft http://molsoft.com/RIDE.html (2022)。

ジャンパー、J. et al. AlphaFold による高精度なタンパク質構造予測。 Nature 596, 583–589 (2021)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Tunyasuvunakool、K. et al. ヒトプロテオームの高精度なタンパク質構造予測。 ネイチャー 596、590–596 (2021)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Baek、M.ら。 3 トラック ニューラル ネットワークを使用したタンパク質の構造と相互作用の正確な予測。 サイエンス 373、871–876 (2021)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Akdel, M. AlphaFold2 アプリケーションの構造生物学コミュニティによる評価。 ナット。 構造体。 モル。 バイオル。 29、1056–1067 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

Katrich, V.、Rueda, M.、Abagyan, R. リガンドに基づく受容体の最適化。 方法 Ｍｏｌ． バイオル。 857、189–205 (2012)。

論文 CAS PubMed Google Scholar

カールソン、J.ら。 ドーパミン D3 受容体の相同性モデルと結晶構造からのリガンドの発見。 ナット。 化学。 バイオル。 7、769–778 (2011)。

論文 CAS PubMed PubMed Central Google Scholar

レン、F.ら。 AlphaFold は、人工知能を活用した創薬を加速します。つまり、新規のサイクリン依存性キナーゼ 20 (CDK20) 小分子阻害剤の効率的な発見です。 化学。 科学。 14、1443–1452 (2023)。

Zhang、Y.ら。 ヒット発見のための洗練されたおよび洗練されていない AlphaFold2 構造のベンチマーク。 Ｊ．Ｃｈｅｍ． 情報モデル。 63、1656–1667 (2023)。

彼、X.-h. 他。 AlphaFold2 と実験構造の比較: G タンパク質共役受容体の評価。 アクタファーマコル。 罪。 44、1–7 (2022)。

論文 PubMed Google Scholar

ウォン、F.ら。 AlphaFold による抗生物質発見のための分子ドッキング予測のベンチマーク。 モル。 システム。 バイオル。 18、e11081 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

Heckelman、ML、de Vries、I.、Joosten、RP & Perrakis、A. AlphaFill: リガンドと補因子による AlphaFold モデルの強化。 ナット。 方法 20、205 ～ 213 (2023)。

論文 CAS PubMed Google Scholar

ヤン、Ｙら。 ドッキングとディープラーニングによる化学空間の効率的な探索。 Ｊ．Ｃｈｅｍ． 理論計算。 17、7106–7119 (2021)。

論文 CAS PubMed Google Scholar

Gentile、F. et al. 人工知能を活用したディープドッキングによる超大規模化学ライブラリの仮想スクリーニング。 ナット。 プロトック。 17、672–697 (2022)。

論文 CAS PubMed Google Scholar

シンドラー、CEM et al. アクティブな創薬プロジェクトにおける結合自由エネルギー計算の大規模評価。 Ｊ．Ｃｈｅｍ． 情報モデル。 60、5457–5474 (2020)。

論文 CAS PubMed Google Scholar

Chen, W.、Cui, D.、Abel, R.、Friesner, RA & Wang, L. 絶対タンパク質-リガンド結合自由エネルギーの正確な計算。 プレプリントは https://doi.org/10.26434/chemrxiv-2022-2t0dq-v2 (2022) にあります。

Khalak、Y.ら。 医薬品設計のための錬金術的絶対タンパク質-リガンド結合自由エネルギー。 化学。 科学。 12、13958–13971 (2021)。

論文 CAS PubMed PubMed Central Google Scholar

コーニア、Z.ら。 仮想スクリーニングでの厳密なフリー エネルギー シミュレーション。 Ｊ．Ｃｈｅｍ． 情報モデル。 60、4153–4169 (2020)。

論文 CAS PubMed Google Scholar

xREAL Chemical Space、Chemspace、https://chem-space.com/services#v-synthes (2023)。

Rarey, M.、Nicklaus, MC & Warr, W. 反応情報学と化学空間に関する特集号。 Ｊ．Ｃｈｅｍ． 情報モデル。 62、2009–2010 (2022)。

論文 CAS PubMed Google Scholar

Zabolotna, Y. et al. 医薬化学用の市販のビルディングブロックの化学空間をクローズアップして観察します。 Ｊ．Ｃｈｅｍ． 情報モデル。 62、2171–2185 (2022)。

論文 CAS PubMed Google Scholar

カプラン、アラバマ州ら。 抗うつ作用を持つ 5-HT2A 受容体アゴニストの特注ライブラリーのドッキング。 Nature 610、582–591 (2022)。

論文 ADS CAS PubMed Google Scholar

Krasiński, A.、Fokin, VV & Sharpless, KB 1,5-二置換-4-マグネシオ-1,2,3-トリアゾールの直接合成、再考。 組織レット。 6、1237–1240 (2004)。

論文 PubMed Google Scholar

ノーベル化学賞。 nobelprize.org、https://www.nobelprize.org/prizes/chemistry/2022/summary/ (2022)

Dong, J.、Sharpless, KB、Kwisnek, L.、Oakdale, JS & Fokin, VV SuFEx ベースのポリ硫酸塩の合成。 アンジュー。 化学。 内部。 エド。 英語。 53、9466–9470 (2014)。

論文 CAS PubMed PubMed Central Google Scholar

Zhang、B.ら。 Ni 電極触媒による Csp3-Csp3 二重脱炭酸カップリング。 Nature 606、313–318 (2022)。

論文 ADS CAS PubMed Google Scholar

Gillis, EP & Burke, MD MIDA ボロン酸塩による反復クロスカップリング: 小分子合成の一般的なプラットフォームに向けて。 Aldrichimica Acta 42、17–27 (2009)。

CAS PubMed PubMed Central Google Scholar

ブレア、DJ 他自動化された反復的な Csp3-C 結合形成。 Nature 604、92–97 (2022)。 この研究は、低分子合成における C-C 結合形成の自動化のための化学的アプローチを提供します。

論文 ADS CAS PubMed Google Scholar

リー、J.ら。 1 つの自動プロセスを使用して、さまざまな種類の有機小分子を合成します。 サイエンス 347、1221–1226 (2015)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Trobe, M. & Burke, MD 分子産業革命: 小分子の自動合成。 アンジュー。 化学。 内部。 エド。 57、4192–4214 (2018)。

記事 CAS Google Scholar

Bubliauskas、A. et al. 3D プリントされた反応器具での化学合成のデジタル化。 アンジュー。 化学。 内部。 エド。 61、e202116108 (2022)。

記事 CAS Google Scholar

モルガ、Ｋ．ら。 有機反応の反復シーケンスを発見するためのコンピューター アルゴリズム。 ナット。 シンセ。 1、49–58 (2022)。

記事 ADS Google Scholar

Segler, MHS、Preuss, M. & Waller, MP ディープ ニューラル ネットワークとシンボリック AI を使用した化学合成を計画しています。 ネイチャー 555、604–610 (2018)。

論文 ADS CAS PubMed Google Scholar

Goldman, B.、Kearnes, S.、Kramer, T.、Riley, P. & Walters, WP 自動化学設計のレベルを定義。 J.Med. 化学。 65、7073–7087 (2022)。

論文 CAS PubMed PubMed Central Google Scholar

グリゾーニ、F. et al. 生成人工知能とオンチップ合成を組み合わせて新規医薬品設計を実現します。 科学。 上級 7、eabg3338 (2021)。

論文 ADS CAS PubMed PubMed Central Google Scholar

ワグナー、JR 他アロステリック薬を合理的に発見するための新たな計算手法。 化学。 改訂 116、6370–6390 (2016)。

論文 CAS PubMed PubMed Central Google Scholar

Davis、BJ & Hubbard、RE『創薬における構造生物学』(Renaud, J.-P.編) 79–98 (2020)。

デ・ソウザ・ネト、LR 他創薬におけるフラグメントからリードへの最適化をサポートするインシリコ戦略。 フロント。 化学。 8、93（2020）。

論文 ADS PubMed PubMed Central Google Scholar

サウル、M.ら。 クライオEMを使用したフラグメントベースの創薬。 ドラッグディスコブ。 今日25日、485－490（2020年）。

論文 CAS PubMed Google Scholar

クルジャニン、M.ら。 大規模な求電子試薬ライブラリーの細胞ベースのスクリーニングのための反応性システインのハイスループットプロファイリングを再考します。 ナット。 バイオテクノロジー。 39、630–641 (2021)。

論文 ADS CAS PubMed PubMed Central Google Scholar

Muegge, I.、Martin, YC、Hajduk, PJ & Fesik, SW FK506 結合タンパク質への弱いリガンドのドッキングにおける PMF スコアの評価。 J.Med. 化学。 42、2498–2503 (1999)。

論文 CAS PubMed Google Scholar

Schuller、M.ら。 SARS-CoV-2 の Nsp3 マクロドメインに結合するフラグメントは、結晶学的スクリーニングとコンピューターによるドッキングによって特定されました。 科学。 上級 7、eabf8711 (2021)。

論文 ADS PubMed PubMed Central Google Scholar

Gahbauer, S. et al. 反復計算設計と結晶学的スクリーニングにより、SARS-CoV-2 の Nsp3 マクロドメインを標的とする強力な阻害剤が特定されます。 手順国立アカデミー。 科学。 USA 120、e2212931120 (2023)。 この記事では、ハイブリッド フラグメントのスクリーニングとマージのデザインと超大規模ライブラリのスクリーニングの両方を、困難なウイルス標的に適用する方法を示します。

論文 CAS PubMed PubMed Central Google Scholar

アシュアウト、H. et al. 経口非共有結合性 SARS-CoV-2 主要プロテアーゼ阻害剤治療法のオープンサイエンス発見。 プレプリントは https://doi.org/10.1101/2020.10.29.339317 (2022) にあります。

ジン、Z.ら。 SARS-CoV-2 由来の Mpro の構造とその阻害剤の発見。 ネイチャー 582、289–293 (2020)。

論文 ADS CAS PubMed Google Scholar

Ton, AT、Gentile, F.、Hsing, M.、Ban, F. & Cherkasov, A. 13 億の化合物のディープドッキングによる SARS-CoV-2 主要プロテアーゼの潜在的阻害剤の迅速な同定。 モル。 知らせる。 39、e2000028 (2020)。

論文 PubMed Google Scholar

Frye, L.、Bhat, S.、Akinsanya, K. & Abel, R. コンピュータ支援創薬からコンピュータ駆動創薬へ。 ドラッグディスコブ。 今日はテクノ。 39、111–117 (2021)。

論文 CAS PubMed Google Scholar

Wadman, M. FDA は、人間の薬物試験の前に動物実験を要求する必要がなくなりました。 科学、https://doi.org/10.1126/science.adg6264 (2023)。

Stiefl、N.ら。 焦点 - 応用薬化学者および計算薬化学者のためのグローバルなコミュニケーションおよびモデリング プラットフォームの開発。 Ｊ．Ｃｈｅｍ． 情報モデル。 55、896–908 (2015)。

論文 CAS PubMed Google Scholar

シュレーディンガー。 ライブデザイン。 シュレーディンガー https://www.schrodinger.com/sites/default/files/general_ld_rgb_080119_forweb.pdf。 (2023 年 4 月 5 日にアクセス)

ミュラー、S. et al. ターゲット 2035 — あらゆるタンパク質のプローブ探索に関する最新情報。 RSC医学。 化学。 13、13–21 (2022)。

論文 PubMed Google Scholar

Verdonk, ML、Cole, JC、Hartshorn, MJ、Murray, CW & Taylor, RD GOLD を使用したタンパク質とリガンドのドッキングの改善。 プロテイン 52、609–623 (2003)。

論文 CAS PubMed Google Scholar

ＥＢミラーら。 タンパク質-リガンド結合の誘導フィットドッキング問題に対する信頼性が高く正確なソリューション。 Ｊ．Ｃｈｅｍ． 理論計算。 17、2630–2639 (2021)。

論文 CAS PubMed Google Scholar

化学宇宙ドッキング。 BioSolveIT https://www.biosolveit.de/application-academy/chemical-space-docking/ (2022)。

Cavasotto, CN、『創薬における量子力学』 (編著、Heifetz, A.) 257–268 (Springer、2020)。

ディクソン、SL 他 AutoQSAR: 定量的な構造と活性の関係モデリングのベストプラクティスのための自動機械学習ツール。 未来の医学。 化学。 8、1825 ～ 1839 年 (2016)。

論文 ADS CAS PubMed Google Scholar

Totrov, M. 原子特性分野: 自動リガンド重ね合わせ、ファーマコフォアの解明、および 3D QSAR のための一般化された 3D ファーマコフォアの可能性。 化学。 バイオル。 薬物の研究 71、15–27 (2008)。

論文 CAS PubMed Google Scholar

Schaller、D. et al. 次世代の 3D ファーマコフォア モデリング。 ワイヤーコンピューティング。 モル。 科学。 10、e1468 (2020)。

記事 CAS Google Scholar

Chakravarti、SK、Alla、SRM 長期短期記憶ニューラル ネットワークによる深層学習を使用した記述子不要の QSAR モデリング。 フロント。 アーティフ。 知性。 2、17 (2019)。

記事 PubMed PubMed Central Google Scholar

Deng, Z.、Chuaqui, C. & Singh, J. 構造相互作用フィンガープリント (SIFt): 三次元タンパク質-リガンド結合相互作用を分析するための新しい方法。 J.Med. 化学。 47、337–344 (2004)。

論文 CAS PubMed Google Scholar

リファレンスをダウンロードする

有益な議論をしていただいた A. Brooun、AA Sadybekov、S. Majumdar、MM Babu、Y. Moroz、V. Cherezov に感謝します。

南カリフォルニア大学、ロサンゼルス、カリフォルニア州、定量および計算生物学部

アナスタシア V. サディベコフ & フセヴォロド・カトリッチ

創薬開発における新技術センター、ブリッジ研究所、マイケルソン収束バイオサイエンスセンター、南カリフォルニア大学、ロサンゼルス、カリフォルニア州、米国

アナスタシア V. サディベコフ & フセヴォロド・カトリッチ

南カリフォルニア大学化学科、ロサンゼルス、カリフォルニア州、米国

フセヴォロド・カトリッチ

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

著者全員が原稿の執筆に協力しました。

フセヴォロド・カトリッチへの通信。

南カリフォルニア大学は、V-SYNTHES 法を対象とした特許出願 (第 63159888 号) の申請手続きを進めており、VK を共同発明者として挙げています。

Nature は、この研究の査読に貢献してくれた Alexander Tropsha と他の匿名の査読者に感謝します。

発行者注記 Springer Nature は、発行された地図および所属機関の管轄権の主張に関して中立を保っています。

Springer Nature またはそのライセンサー (協会や他のパートナーなど) は、著者または他の権利所有者との出版契約に基づいて、この記事に対する独占的権利を保持します。 この記事の受理された原稿バージョンの著者によるセルフアーカイブには、かかる出版契約の条項および適用される法律のみが適用されます。

転載と許可

Sadybekov、AV、Katritch、V. 創薬を合理化するコンピューターによるアプローチ。 Nature 616、673–685 (2023)。 https://doi.org/10.1038/s41586-023-05905-z

引用をダウンロード

受信日: 2022 年 4 月 21 日

受理日: 2023 年 3 月 1 日

公開日: 2023 年 4 月 26 日

発行日: 2023 年 4 月 27 日

DOI: https://doi.org/10.1038/s41586-023-05905-z

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。