アメリカ手話と英語における潜在的なPLK1阻害剤を特定するためのバイリンガル計算ワークフロー

サマリー

このバイリンガルプロトコルは、Polo様キナーゼ1から3(PLK1–3)およびデータベースソースの自然分子の吸収、分布、代謝、排泄、毒性、安定性(ADMET-S)特性のタンパク質-リガンド相互作用を評価する計算的薬物発見ワークフローを提供します。

要約

ポロ様キナーゼ1(PLK1)は細胞周期のS期、G2期、M期で重要な役割を果たし、その過剰発現は乳がんを含む複数のがんで頻繁に観察され、ゲノムの不安定性やアポトーシスの調節障害に寄与しています。従来のATP競合阻害剤がキナーゼドメインを標的とするのとは異なり、PLK1のポロボックスドメイン(PBD)の選択的阻害は、有糸分裂進行に不可欠なタンパク質-リガンド相互作用を破壊し、がん細胞のアポトーシスを引き起こす有望な戦略を提供します。しかし、PLK1とその相同体(PLK2およびPLK3)は神経機能やストレス応答にそれぞれ重要な構造的類似性が高いため、オフターゲット効果を避けるためには卓越した選択性が必要です。この課題に対応するため、プロトコルは仮想スクリーニング、構造クラスタリング、タンパク質-リガンドドッキング、結合親和性予測、ADMET-Sプロファイリング、量子力学的(QM)安定性解析を統合したバイリンガル(アメリカ手話と英語)の計算ワークフローを含みます。SuperNatural 3.0の天然生成物データベースを基に、乳がん関連性と薬剤類似性の基準で化合物をフィルタリングし、化学的多様性を確保するためにクラスタリングし、PLK1-、PLK2-、PLK3-PBD構造との相互作用を評価しました。バーチャルドッキングや インシリコ ADMET-S評価では選択性や作用機序を確定的に確認することはできませんが、本研究は検証可能な仮説を生成し、将来の分子動態シミュレーション、生化学的検証、または実験スクリーニングのために天然生成物由来の候補を優先的に配置します。

概要

ポロ様キナーゼ(PLK)は、構造的にN末端ドメインと1つまたは2つのポロボックスドメイン(PBD^)1,2からなるC末端から構成されるタンパク質キナーゼのファミリーです。 これらのポロボックスドメインの数と機能的多様性は、PLKファミリーのメンバーによって異なります。PLK1は細胞分裂のS期、G2期、M期に関与しています。細胞周期において、PLK1はS期でDNA損傷チェックポイントとして機能し、G2期では染色体凝縮および中心体成熟の調節因子として機能します。PLK1はまた、有糸分裂をM期に進め、その後紡錘体組立、後期期、細胞分裂を促進します。^3,4。PLK1の過剰発現は、中心体形成異常による遺伝的不安定を引き起こし、細胞周期の不調を招き、細胞がアポトーシスを調節できなくなります。 このような過剰発現は肺がん、頭頸部がん、食道がん、胃がん、大腸がん、乳がんで観察されます⁴.したがって、PBDを標的とした薬剤によるPLK1の阻害はアポトーシス^5,6を引き起こす可能性があります。このワークフローは、神経機能や遺伝毒性ストレスの管理に不可欠なPLK2およびPLK3の阻害を避けるため、高い選択性を達成することを目指し^{ています。}

PLK2は特定の文脈で腫瘍抑制因子として機能し、G1/S遷移を調節し、サイクリンEの分解を促進して制御不能な細胞増殖を防ぎます。PLK3は細胞周期調節と遺伝子毒性ストレスへの応答の両方に複雑な役割を果たし、DNA損傷チェックポイントの活性化やアポトーシス誘導に関与することでゲノムの完全性維持に寄与^{しています7。}重要なのは、PLK1阻害ががん治療の有望な治療戦略として浮上している一方で、PLK2およびPLK3が神経機能とストレス応答に果たす重要な役割から、これら重要なキナーゼに対するオフターゲット効果を最小限に抑えるために、高度に選択的な阻害剤の開発が必要であることである³。この生物学的文脈と38^{%を超える} 構造的類似性は、PLK2およびPLK3の保護機能を妨げずに、PLK1のポロボックスドメイン(PBD)を特異的に標的とする化合物を特定する重要性を強調しています。

特にPLK1を標的としたポロ様キナーゼ(PLK)阻害剤は、がん治療における治療応用の可能性から広く研究されています。BI 2536、ボラセルティブ(BI 6727)、オンバンサーチブ(NMS-1286937)、GSK461364など複数の化合物が開発され、しばしばATP競合阻害剤^8,9,10として臨床試験に進んでいます。PBDを標的とする他のタイプの阻害剤には、チモキノン(TQ)^11,12、ポロキシン^13,14、アロポール^A15などがあります。有望であると報告されていますが、現在、ADMET-Sの特性が最適でないことやオフ^{ターゲット効果などの}課題により、承認されたPBD特異的阻害剤や後期臨床試験はありません6。例えば、いくつかのPLK1-PBD阻害剤は非特異的タンパク質アルキル化剤であると報告^{されており、臨床}的応用が制限されています。したがって、潜在的なPLK1-PBD阻害剤の選択性とADMET-Sプロファイルの改善は、創薬における重要な目標であり続けています。

本研究の目的は、仮想スクリーニング、構造類似フィルタリング、ドッキング、結合エネルギー計算、ADMET-S評価を用いてADMET-S特性を持つ潜在的なPLK1-PBD阻害剤を探ることです。PLK2とPLK3は潜在的な選択性を評価するために同じプロトコルを適用しました。キナーゼ阻害剤発見のための計算パイプラインは数多く存在しますが、PLK1–3 PBD間の選択性スクリーニングを包括的なADMET-Sおよび量子力学的安定性解析と統合し、特に天然生成物ライブラリを用いたものはごくわずかです。このワークフローは確立されたバーチャルスクリーニングパラダイムを基盤としていますが、教育の利用性や初期段階の仮説生成に特化しています。このプロトコルは標準的なノートパソコン(8GB RAM)、無料の学術ソフトウェア、事前のプログラミング経験なしで十分であり、高校、学部、大学院の環境、さらにはコースベースの学部研究経験(CURE)に適しています。

この研究の計算パイプラインはタンパク質調製から始まり、PLK1-PBD、PLK2-PBD、PLK3-PBDの構造をタンパク質データバンク(PDB)から取得するか、構造的不一致を解消するためにモデリング・処理されます。次に、天然産物データベースのスクリーニングを行い、抗乳がんの可能性とリピンスキーの法則5の適合性に基づいて化合物をフィルタリングしました。その後のステップでは、分子指紋と類似性に基づく50の代表的な構造にクラスタリングされます。これらの代表者はタンパク質-リガンドのドッキングおよび結合親和度計算を行い、3つのPLKの相互作用データを生成しました。その後、ADMET-Sの特性を3つの異なるウェブサーバーを用いて評価し、薬物動態学、薬剤類似性、毒性、代謝安定性を予測します。量子力学計算を用いて、HOMO–LUMOギャップの分子安定性を評価するために、最高占有分子軌道(HOMO)および最低未占有分子軌道(LUMO)解析を行いました。最後に、ADMET-Sデータを解析し、物理化学的、吸収、分布、代謝、排泄、毒性、安定性の基準に基づき、PLK1-PBD阻害剤の可能性的かつ選択的阻害剤として化合物をフィルタリング・ランク付けしました。

プロトコル

使用されるすべてのソフトウェアツールの研究資源識別子(RRID)およびバージョン番号は 材料表に記載されています。

1. 標的タンパク質製製

1. このプロジェクトのために、構造ファイルや計算結果を保存できるワーキングディレクトリを作成しましょう。
2. ターゲットタンパク質PLK1-PBD(4HCO¹¹)の識別子を取得するには、Protein Data Bankを訪れ、構造的な不一致があればHARvard分子力学のグラフィカルユーザーインターフェース(CHARMM-GUI ^17,18)にフォローアップしてください。
   1. CHARMM-GUIにアクセスし、学術アカウントを登録してください。学術アカウントを登録したら、入力ジェネレーターをクリックし、次にPDBリーダー、PDB ID 4HCOを入力して「次のステップ」をクリックします。
   2. 次のページでは、PROA(タンパク質鎖A)のみを選択し、次の2ページに進むステップをクリックしてください。
   3. step1_pdbreader.pdbをディレクトリにダウンロードし、ファイル名を4hcoまたはpreferredにリネームし、テキストエディタやコードを使ってヒスチジン(HSD)の発生を(HIS)にリネームします。
3. PLK2-PBD(PDB識別子:4XB0¹⁹)に対してCHARMM-GUIを使って手順を繰り返します。
   注意:PLK3-PBDのようなPDB識別子を持たない構造については、ホモロジーモデリング構造またはAlphafold²⁰を使用してください。Uniprot²¹のシーケンス精度を確実にしてください。

2. 天然産物データベースのスクリーニング

1. SuperNatural 3.0ライブラリの自然産物データベースを訪れ、疾病のサブページ²²を選択してください。
   1. 信頼区間があっても含まれない乳がんを選択してください。結果全体をプログラム的にフィルタリングする必要があるため、検索 をクリックします。「 完全な結果ファイルをダウンロード」 をクリックすると、結果を.csvとして優先ディレクトリに保存できます。その後、コードを使って信頼区間が0.900–1.000(73,406件中n = 1,193)のものをフィルタリングします。
      注:または、京都の遺伝子・ゲノム百科事典(KEGG)の乳がん識別子は、経路サブ^ページ23に入力できます。
   2. FAQサブページ(下部)に行き、.csvファイルとしてダウンロード可能な全データセットを見つけてください。これをダウンロードし、スクリプトを使ってデータセットの簡易分子入力線入力システム(SMILES)文字列と1,193分子のSuperNatural識別子を照合し、それらのSMILES文字列のリストを作成します(smiles.csv)。

3. クラスタサンプリング

1. ほぼすべてのオープンソースパッケージを含むAnacondaディストリビューション(https://www.anaconda.com/download)をダウンロードするか、RStudio(RStudio Desktop - Posit)やJupyter(Jupyter Notebook)などの統合開発環境(IDE)を個別にダウンロードしてください。Condaを使ったオープンソースの化学情報学および機械学習パッケージ、RDKit²⁴をインストールしてください。
   注意:CondaのインストールおよびConda環境の作成手順は、conda 25.9.2.dev31のドキュメントでご覧いただけます。RDKitのインストールおよびモジュールの設定については、「インストール — RDKit 2025.03.6」ドキュメントを参照してください。
2. 「Lipinski.py」スクリプトを 補足ファイル1 の「smiles.csv」と同じフォルダに入れて実行します。スクリプトはConda環境を開き、モジュールを読み込み、SMILES文字列ファイルを読み込み、Lipinskiの法則5に基づく生体利用可能率と吸収の推定フィルター(n=1,193中999)を適用し、SMILES文字列のリストを「all.csv」として保存します。
   注意:「all.csv」が生成されており、~999個の化合物(フィルター済み部分集合)が含まれていることを確認してください。ファイルを開いて、各エントリに有効なSMILES文字列が含まれているか確認します。Pythonは、コンソールで以下の実行を実行するとRStudioで動作します:library(reticulate);網状::use_condaenv(名前ofcondaenv)
3. 「Clustering.py」スクリプト(補足ファイル1)を「all.csv」と同じフォルダに入れ、希望するIDEで実行します。スクリプトはクラスタリングモジュールを読み込み、SMILES文字列ファイルを読み取り、分子指紋と谷本の類似度に基づいて化合物を50のクラスターにまとめます。
   注:50の代表構造(補 足ファイル1に記載rep_struct.csv)がSMILES文字列のリストとしてディレクトリに保存されています。タニモト類似度(化学情報学におけるジャカード指数とも呼ばれる)²⁵ は、分子指紋に基づいて2つの分子間の構造的類似度を定量化する指標であり、タニモト係数は0(類似性なし)から1(同一指紋の場合)の範囲です。「rep_struct.csv」には各クラスターを表すユニークなSMILESエントリが正確に50個あることを確認してください。

4. タンパク質-リガンドのドッキングおよび結合親和性の計算

1. AutoDock Vinaベースのキャビティ検出ガイド付きブラインドドッキングウェブサーバー(CB-Dock2)²⁶をご覧ください。
   1. ドッキングタブに行って4HCOプロテインをアップロードしてください。
   2. リガンドをアップロードするには、「 描画リガンド 」をクリックし、SMILES文字列のリストからリガンドを貼り付けてください(rep_struct.csv、 補足ファイル1)。次の欄にメールアドレスを入力して、より簡単に圧縮データを集め、その後「Auto Blind Docking」をクリックしてください。残りの49個の小分子クラスター代表についても繰り返し、それぞれをlig1、lig2、...、lig50とラベル付けします。
2. メールで届いた結果に行き、zipフォルダを4HCOというサブディレクトリにダウンロードし、順序通り(4hco_lig1、4hco_lig2、...、4hco_lig50)と名付けてください。
   1. フォルダを解凍し、「.complex.pdb」で終わるタンパク質リガンド複合ファイル以外のすべてのファイルを削除します。
      注意:各リガンドディレクトリ(4hco_lig1から4hco_lig50)に対応する「.complex.pdb」ファイルが含まれていることを確認してください。
   2. サンプルの.complex.pdbファイルをテキストエディタで開き、タンパク質鎖ID:Pと配位ID:A:UNLを注意深く記録し、ファイル圧縮ユーティリティでフォルダを再圧縮します。
   3. 選択性およびタンパク質-リガンド結合親^{和性を評価する}には、PROtein binDing enerGY予測(PRODIGY)ウェブサーバーをご覧ください。
      1. PRODIGY-lig(タンパク質-小分子)タブをクリックすると、複数のタンパク質-リガンド複合体(例えば4hco_lig1)が同時に入ったzipフォルダーをアップロードできます。タンパク質鎖とリガンドIDを入力し、キャプチャ検証を完了し、「Prodigy-Ligandを送信」をクリックします。
      2. データ処理が終わったら、 すべての出力のアーカイブファイル(.zip) をクリックして結果をダウンロードします。前回の手順を繰り返し、4hco_lig50までのすべてのサブディレクトリで結果の収集を行います。
   4. 4XB0とPLK3のタンパク質については、ファイル命名法(4xb0_lig1やplk2_lig1など)に注意しながら、すべての手順を繰り返してください。
      注意:すべてのタンパク質-リガンド複合体の出力CSVがダウンロードされており、ΔGおよび界面残基のデータカラムの両方が含まれていることを確認してください。

5. ADMET-S評価

1. ADMETlab3 3.0プラットフォーム²⁸を訪れてください。
   1. 「ADMETスクリーニング」の「 GET STARTED 」をクリックして、SMILESのリストを入力してください。
      1. ディレクトリで SMILES の文字列リスト全体をテキストフィールドに貼り付けて、rep_struct.csvを開いて送信します。
      2. プラットフォームの色分けスコアリングシステムを使って薬剤動態および薬剤類似性を評価し、評価結果を.csvファイルとしてダウンロードしてさらなる分析を行います。
      3. SwissADMEツール²⁹へ移動してください。
2. 50分子すべてのSMILES文字列のリストを入力フィールドに貼り付けます。
   1. 「 Run 」をクリックすると、BBB浸透を含む生体利用能および透過性特性を計算できます。
   2. 出力を.csvファイルとしてダウンロードし、他のADMET結果と統合してください。
3. ユーザーのオペレーティングシステムに対応するToxTree³⁰ (意思決定木アプローチによる有害危険推定)をダウンロード・インストールしてください。
   1. ターミナル から コマンド:sh Toxtree.sh を使ってソフトウェアを開きます。
   2. SMILES文字列を個別にToxTreeに入力し、Cramerのルールに基づいて毒性を分類します。
   3. 結果を他のADMETデータと統合するために.csvファイルとしてエクスポートします。
      注意:ADMETLab3およびSwissADMEの出力CSVが配位数(n=50)と一致しているか、Toxtreeの結果が各化合物をクラマーの規則(I–III)で分類しているかを確認してください。
4. ORCA³¹をインストールした後、作業ディレクトリにstabilityというフォルダを作成し、各分子ごとにサブフォルダ(例:plk1_lig1、plk1_lig2、...、plk1_lig50)を作成します。
   1. Avogadro(Avogadro)を使って、SMILES文字列から各分子を組み立ててください:拡張タブに行き、「Optimize Geometry」をクリックして分子を最適化します。ORCA>拡張 を使って ORCA入力ファイルを生成> 以下の設定を適用します:
      !B3LYP OPT FREQ def2-TZVP
      %maxcore 4000
      %pal
      Nprocs 1
      終わり
   2. 各リガンドのダウンロードした.shジョブファイルを、固有のジョブ名とメールアドレスを含めるように修正してください。その後、以下のコマンドを使って「stability」ディレクトリを高性能計算(HPC)システムに転送します。
      嘘 xsedeu0000@darwin.hpc.udel.edu
      MKDIR ~/4HCO
      SCP -r /local/path/to/stability xsedeu0000@darwin.hpc.udel.edu:~/4hco
   3. Simple Linux Utility for Resource Management(HPCクラスタ用のSLURMワークロードマネージャー)を通じてループスクリプトを使ってジョブを実行します:
      iは{1..50}で、どうぞ
      CD ~/4hco/stability/plk1_lig${i}
      chmod +x job_lig${i}.sh
      スバッチ job_lig${i}.sh
      終わった
   4. 作業完了のメールを受け取ったら、リガンドフォルダに移動し出力ファイルを開き、データを確認しHOMOとLUMOの値を記録してください。
      CD ~/4hco/Stability/plk1_lig1
      ナノリグ1.アウト

6. ADMET-Sデータの分析

1. SwissADMEのバイオアバリアビリティおよび透過率レーダーチャートから得られた物理化学的特性データを.csvファイルにまとめます。
   1. SwissADMEの.csvファイルを保存し、「Physiochemical.csv」と名付けてください。
   2. 「Physiochemical.py」スクリプト(補足ファイル1)を「Physiochemical.csv」と同じフォルダに入れて実行します。
   3. 以下の基準を適用してください:nHD:0–7、nHA:0–12、nStereo:<2、LogP:0–3、LogD:1–3、LogS:–4から0.5、Fsp3:>0.41、nHet:1–15。
2. 吸収および分布データはSwissADMEから抽出してください。
   1. SwissADMEでゆで卵³² のチャートをスナップショットして保存してください。
   2. 以下の基準を適用してください:分子は「卵」領域に位置し、p-グリコプロテイン阻害剤として機能し、赤いポイントが好まれます。
3. ADMETlab3.0からシトクロム(CYP)基質および阻害剤の代謝データを抽出します。
   1. ADMETlab3.0.csvファイルを保存し、「Metabolism.csv」と名付けます。
   2. .csvファイルを編集して、CYP-inhとCYP-subの列だけを残してください。
   3. 「Metabolism.R」スクリプト(補足ファイル1)を「Metabolism.csv」と同じフォルダに入れて実行します。
   4. 以下の基準を適用してください:CYP p450阻害剤および非基質をカテゴリー0として推奨します。
4. ADMETlab3.0から排泄データを抽出し、血漿クリアランスと半減期を測定します。
   1. ADMETlab3.0.csvファイルを保存し、「Excretion.csv」と名付けます。
   2. .csvファイルを編集して、cl-plasmaとt0.5の列だけを残してください。
   3. 「Excretion.py」スクリプト(補足ファイル1)を「Excretion.csv」と同じフォルダに入れて実行します。
   4. 以下の基準を適用してください:血漿クリアランス:0.01–5 ml/min/kg。
   5. 毒性クラスについてはToxtreeのnToxicity data、毒性因子の数はADMETlab3.0によるものです。
      1. ADMETlab3.0から保存して「Toxicity.csv」と名付け.csv。
      2. .csvファイルを編集し、Toxicophoreの列だけを残し、Toxtreeの各リガンドの毒性クラスを記録する新しいカラムを追加します。
      3. 「Toxicity.py」スクリプト(補足ファイル1)を「Toxicity.csv」と同じフォルダに入れて実行します。
      4. 次の基準を適用します:毒性因子の数は0–2。
   6. 安定性データはORCAの出力ファイルから抽出します。「軌道エネルギー」、具体的にはHUMOとLUMOのエネルギー値です。
      1. 各リガンドのHUMOエネルギーとLUMOエネルギーを別々の列として記録するExcelチャートを作成します。
      2. バンドギャップ(HUMO–LUMO = バンドギャップ)を計算する新しい列を追加します。
      3. Excelチャートは「Stability.csv」として保存してください。
      4. 「Stability.py」スクリプト(補足ファイル1)を「Stability.csv」と同じフォルダに入れて実行します。
      5. 以下の基準を適用してください:バンドギャップ差は3.6〜5 eVの間とします。

結果

ターゲットタンパク質構造ファイルプロトコルは、ターゲットタンパク質ファイルが解析および構造ベースのドッキングに最適化されることを保証します。PDB形式の構造ファイルは、欠損した残基や水素、欠落した原子タイプ、水分子や共結晶配位子などの不要な成分が含まれていません。 図1A、B は、準備前後の構造における視覚的差異(Mol* Viewer³³で可視化)を示しています。もし未認識の原子名や不完全な残留物など、残留フォーマットの問題が残ると、CB-Dock2は通常アップロード時にエラーを出します。その時点で、HSDをHISに名前変更したり、非標準残留物を除去したりといった小さな手動修正を適用し、ドッキングステップを再挑戦できます。

図2 は分子フィンガープリンティングと谷本類似性に基づく主成分解析(PCA)によるクラスタリングの結果を示しています。図では、各クラスターは、同じ色の点を含む灰色の楕円形でグループ化されており、これらの点はそれらのクラスター内の分子を表しています。 軸上のPCA成分1と2は、谷元行列における高次元要素からの還元を2次元で線形に表現します。本研究では、999種類のLipinski準拠天然生成物のクラスタサンプリングステップでTanimoto類似性を用いて冗長性を減らし、化学的多様性を高めています。分子指紋を用いてペアワイズのタニモト類似性を計算することで、データセットは構造的に関連した化合物の50のクラスターに分割されます。各クラスターから代表的な分子を1つ選び、最終的な50個の配位子が広い化学空間を捕捉しつつ、下流ドッキングやADMET-S解析における計算冗長性を最小限に抑えます。この戦略は、特にSuperNatural 3.0のような大規模な自然産物ライブラリを扱う際に、バーチャルスクリーニングの効率性と代表性を高めます。( 図2参照)

各タンパク質-リガンド複合体の最適ポーズをシミュレートし、バンデルワールス力と水素結合を考慮したCB-Dock2のPLK1タンパク質の5つのCurPocketポーズ間のVinaスコアによる予測親和性を伴います。 図3のリガンド1のシミュレーションでは、2番目のCurPocketポーズ(C2)への最良の結合を示しており、Vinaスコアは他の4つの上位ポーズと比べて-7.5 kcal/molと低くなっています。CB-Dock2による分子ドッキングは、経験的パラメータに基づくスコアリング関数と確率的グローバル最適化アルゴリズムによって行われます。CB-Dock2は厳密に検証されており、他の最先端のブラインドドッキングツールと比較して優れた性能を示しており、ド^{ッキング研究に最適な}選択肢^{となっています。}このサーバーはバインディングポーズ予測(RMSD <2 Å)で約85%の成功率を達成し、初代CB-Dockバージョン、SwissDock、COACH-D、MTiAutoDock³⁴などの人気ツールを上回っています。この高精度は、CB-Dock2が構造ベースとテンプレートベースの2つの補完的なドッキング方式を革新的に統合したことによるものです。

図4は、PRODIGYウェブサーバーによる予測親和性を用いて、各タンパク質-リガンド結合の平均予測親和度のヒートマップを示しています。 親和性が高いほど、モルエネルギー(kcal/mol)が低く、ヒートマップの色が緑色に見えるほど、結合親和性が良好です。対照的に、親和性が低いほど、モルエネルギーが高く、ヒートマップの色が赤みが強いほど好ましくありません。選択性の観点からは、ホモログ(PLK2–3)に比べて標的タンパク質(PLK1)に対して有利な親和性を持つ化合物が理想的です。例えば、リガンド27はリガンド45に対して選択的なPLK1-PBDリガンドであり、3つのタンパク質すべてで類似した親和性を示します。ヒット3、5、6、7、27、28、34、35、49はPLK1-PBDへの親和性がPLK2/3よりも高いことを示しますが、2D指紋空間では化学的に多様です(平均ECFP4 Tanimoto≈0.135、ペア≥0.50なし)。したがって、より広範な特異性はスキャフォールド同一性ではなく、保存されたPBDポケットジオメトリや共有された3D薬剤・相互作用パターンによって駆動されている可能性が高いです。推奨事項には、PLK1-PBD認識の構造的決定因子を特定するための相互作用-指紋比較および薬剤層マッピングが含まれます。

物理化学的特性評価の結果はレーダーチャート(図5)に示されています。評価される特性には、原子相互作用、溶解度、生体利用率が含まれます。いくつかの化合物は、より望ましい物理化学的特性で際立っており、許容範囲が高まります:nHD = 0–7、nHA = 0–12、nStereo < 2、LogP = 0–3、LogD = 1–3、LogS = –4から0.5、Fsp3 >0.41、nHet = 1–15。このレーダーチャートは、計算スクリーニングワークフローで特定された50の代表的な配位子の物理化学的性質を包括的かつ多次元的に可視化します。各化合物があらかじめ定められた「薬物様」基準にどれだけ適合しているかを評価するために、その性質を確立された下限および上限と比較して評価することを目的としています。このチャートには、pKa酸性とpKa塩基性を含む10の主要な分子記述子が極軸に沿って配置されています。緑色の多角形(下限)と青色の多角形(上限)の間の陰影領域は、プロトコルで示された閾値に基づいて各特性の理想または許容範囲を示しました。pKa酸の上限と下限(2–12およびpKa塩基3–10)は文献^{レビュー35、36、37}に基づいて割り当てられており、創薬におけるpKaの上限と下限は一つに存在しないためです。各色の線は50個の配位子のうち1つを表しています。単一の配位子のデータ点をつなげて形成される形状は、選ばれた10の性質におけるそのプロファイルを同時に示します。50個の配位子の大多数は、緑色と青色の多角形で定義される許容領域内か非常に近い範囲に収まります。これは、特にリピンスキーの五法則の適用や谷本類似性に基づくクラスタリングなどの初期フィルタリングが、有利な薬物様特性を持つ分子をデータセットに豊かにするのに非常に効果的だったことを示しています。すべてのパラメータについて、記録された値の全範囲を描写することが推奨されます。

図6A–Cは、ADMETlab3.0およびSwissADMEのADMEデータの構成要素を示しています。吸収と分布から始め、SwissADMEの図6AのBOILED-Eggモデル³⁸は、グラフの黄色と白色の楕円で示される脂溶性と透過性による薬物の吸収と分布を表しています。これにはP-gp基質と阻害剤が含まれ、それぞれ青い点と赤い点で表され、P-gpの阻害がより高い吸収率のために重要です。図6Bでは、代謝ヒートマップが約7種類のCYPシトクロムp450酵素の阻害および基質を可視化しています。リガンドの望ましい結果は、CYPの非阻害剤および非基質(緑)として機能し、好ましい結果で薬物相互作用がほとんどないまたは低い安全な医薬品安全性プロファイルを確認することです。図6Cは、薬剤のクリアランスおよび半減期の排泄データを示しています。排泄は最適な血漿クリアランス(<5 mL/min/kg)によって区別できます。すべての抗がん薬の薬の半減期は、薬の作用機序、毒性、標的によって異なります。理想的な半減期は、治療期間内に薬物濃度を維持しつつ毒性を最小限に抑え、便利な投与スケジュールを可能にすることです。^39,40。

2種類の毒性評価の組み合わせが示されています。 図7Aには、ADMETlab3.0によって同定された各リガンドの毒性成分数が示されています。 毒性因子の許容範囲に関する明確な閾値や情報はありません。 図7Bでは、Toxtreeの適用により毒性クラス(I-III)およびクレイマーの規則違反や遵守に関する情報が提供されています。リガンド1のサンプル結果は、上部のバーに毒性結果とそのSMILESコードを示し、構造は左下のウィンドウに表示されています。右上のウィンドウにあるクラス毒性の識別は、リガンド1のクラマーの規則に基づく高毒性(クラスIII)を示しており、クラスII(中間毒性)やクラスI(低毒性)など他の可能性は示されていません。 右下のウィンドウは、クレイマーのルール決定木に基づくクラス識別の書面による推論を示しています。

ORCAの振動周波数計算は、バンドギャップの決定のための軌道エネルギー値を計算します。 図8 は、HOMOとLUMOの差から導出された各配位子のバンドギャップ(eV)を示しています。閾値範囲は3.6 eVから5.0 eVの間の陰影領域で表され、陰陰域の各点はより望ましい安定性と反応性に関連するエネルギー準位を満たします。計算ワークフロー全体の概要は 図9にまとめられており、標的タンパク質調製や天然生成物データベースのスクリーニングからADMET-S評価までの段階を示しており、選択的なPLK1-PBD阻害剤の同定を目的としつつ、薬剤様特性と化学的安定性を確保しています。この視覚的なロードマップは、プロトコルのモジュール性、アクセスのしやすさ、教育実施への適性を強調しています。

表1は 、プロトコルを線形の命令列から、教室や独立研究に適した堅牢でエラー認識のあるパイプラインへと変換することで実用化しています。計算創薬における既知の課題である再現性に明確に対応し、重要な移行点に検証基準を埋め込むことを目指しています。例えば、CHARMM-GUI処理後にヒスチジン残基が一様に「HIS」とラベル付けされることは、下流ドッキングでのサイレント故障を防ぎ、クラスタリング前のSMILESの整合性を検証することでADMET予測における連鎖的な誤差を回避できます。また、この表は教育設計を強調しており、トラブルシューティングのヒントは最小限の計算的背景(例:「.complex.pdbをテキストエディタで開いてチェーンIDを確認する」)で実行可能で、聴覚障害者、学部生・大学院生、高校生のアクセシビリティという原稿の目標と整合しています。さらに、比較PRODIGYスコア リングによる 選択性評価など、結果が結果に不均衡に影響を与えるステップをフラグ付けすることで、ユーザーが注意とリソースの優先順位をつけるのに役立ちます。

この統合ワークフローの大きな強みは、補完的な計算予測間の不一致を明らかにし、単一の手法の限界を浮き彫りにするエッジケースを明らかにできることです。例えば、PLK1-PBDのリガンド5は強いCB-Dock2 Vinaスコア(−7.9 kcal/mol)とPRODIGY親和性(ΔG = −9 kcal/mol、 図4)を示しましたが、いくつかのADMETフィルターには失敗しました。この生物はBOILED-Eggの吸収分布モデルに適合せず、望ましい血漿クリアランス値(9.3 mL/min/kg、 図6)を示し、迅速な除去を示唆し、ToxtreeによってクレイマークラスIII(高毒性)に分類され、5種類の毒源を含むとされました(図7A)。逆に、リガンド33はPRODIGY予測のPLK1親和性(−5.4 kcal/mol)を示しましたが、ADMETのすべての基準を満たし、低毒性(クラスI)、最適なLogP(0.7)、良好な吸収分布および血漿クリアランスを示しました。親和性は弱いものの、リガンド33はより薬物に近い候補です。この対比は、初期段階の創薬における基本的な原理を示しています。すなわち、高い結合親和性だけでは、良好な薬理動態と安全性なしには不十分であるということです。同時に、リガンド5のような化合物はADMET性能が低いものの、安全性や代謝安定性を向上させるための将来の最適化のための貴重な足場となる可能性があります。

このワークフローの初期フィルターはトリアージと優先順位付けを目的としており、永久的な除外ではありませんが、50の候補をさらに効率化することで、ADMETツールや文献で得られる望ましい制限を適用し、一部を「トップヒット」として指定しています。114のADMET関連および電子記述子で評価された50のスクリーニング配位子のうち、13個が望ましい性質基準の少なくとも95を満たしていました。このうち6つの化合物(10、13、14、32、43、47)は、PLK2/3よりも良好なADMET-SプロファイルとPLK1-PBDに対する結合親和性が高いことを示し、したがってトップ候補阻害剤として指定されています(図10)。構造・機能的および定量的類似性分析の結果、同定されたヒットは既知のPLK1-PBD阻害剤と主要な薬理的特徴を共有しており、結合挙動における収束の可能性を示唆しました。すべてのヒットは、TQ、ポロキシン、アロポールAの疎水環系を反映した芳香族または異芳香族の足場を持ち、PBDポケット内でπ–πおよび疎水性相互作用を可能にします。機能的重複は、参照阻害剤における主要な極性接触を媒介するモチーフに類似した保存された水素結合モチーフ(カルボキシル、アミド、カルボニル基)を通じて明らかでした。複数のヒットに見られる柔軟な脂肪族および環状リンカーは、ポロキシン類似体の立体構造的適応性と並行しており、必須結合残基への配向を容易にします。定量的には、Tanimotoの類似度スコア(0.36–0.54)はヒットと既知の阻害剤の間に中程度の構造的類似性を示し、ヒット10、13、14はポロキシンに最も似ており、ヒット32はTQ、ヒット43と47はアロポールAに類似しました。これらの結果は、構造的および機能的に明確な重なりを示しており、ヒットが検証済みPLK1-PBD阻害剤の結合トポロジーおよび相互作用パターンを模倣しつつ、さらなる最適化のための新規性を保持していることを示しています(図10)。

計算ワークフローの堅牢性を評価するため、既知のPLK1-PBD阻害剤(Poloxinpan¹⁴ およびAllopole-A¹⁵)を陽性対照として解析し、メトホルミンとイメグリミン(構造的に無関係で報告された活性なしの2つの抗糖尿病薬)をADMET-S、ドッキング、結合親和性解析の陰性対照として分析しました。陽性対照群はそれぞれ結合親和性が−5.8kcal/molと–5.6 kcal/molを示し、陰性対照群は−5.1 kcal/mol(メトホルミン)および–4.8 kcal/mol(イメグリミン)と弱い親和性を示し、PBD結合活性の欠如と一致しました。興味深いことに、ADMET-Sの評価では、陰性対照群が肯定対照群(114中80)よりも望ましい記述子(114個中88個)を満たしていることが明らかになり、これにより薬物動態の好ましさと標的特異的結合の可能性を区別するワークフローの能力が検証されました。これらの結合はバランスの取れた視点を維持する重要性を強調しています。強い標的親和性を示す化合物は最適でないADMET予測だけで早期に破棄すべきではありません。そうした足場は最適化の重要な出発点となり得ます。逆に、優れた薬理動態特性を持つが結合が弱い分子は、類似物開発の低リスクテンプレートとして機能することがあります。これらの計算的観察を確認し、優先順位付け基準を精緻化するために、さらなる生化学的および細胞検証が必要です。

図1:未準備構造とCHARMM-GUI準備済み4HCO構造の構造比較。(A) PDBから直接アップロードされた4HCO構造で、欠落した残留物を強調表示。(B) CHARMM-GUI準備プロトコル後の4HCO構造。4HCO(TQ結合のPLK1-PBD)は、有機リガンド結合を持つ数少ないPLK1-PBD結晶の一つであり、この構造ベースの小分子阻害剤発見に直接応用可能であるため選ばれました。 この図の拡大版はこちらをクリックしてご覧ください。

図2:分子指紋およびタニモト類似性に基づくK平均クラスタリング後の999のリピンスキー準天然産物の主成分分析(PCA)。各点は化合物を表し、割り当てられたクラスター(1–50)で色分けされ、クラスターは化学的類似性を強調するために灰色の楕円でグループ化されています。クラスタ内の密なクラスタリングとクラスタ間の分離は、谷本ベースのクラスタリングが構造的冗長性を低減しつつ、データセット全体の化学的多様性を保つことに成功したことを示しています。この多様性により、下流ドッキングに選ばれた50の代表的な配位子が広範な化学空間にまたがることが保証され、仮想スクリーニング結果の堅牢性と汎用性を高めています。 この図の拡大版はこちらをクリックしてご覧ください。

図3:CB-Dock2によるブラインドドッキングにより、PLK1ポロボックスドメイン(PBD)内のリガンド1の高親和性結合ポーズが特定されます。表示されているCurPocket C2の立体構造(Vinaスコア=−7.5 kcal/mol)は、5つの予測結合部位の中で最適な姿勢を示し、良好なファンデルワールス接触と主要なPBD残基(Trp414、His538、Lys540)との水素結合が特徴です。この結果は、共結晶リガンドが存在しない場合でも生物学的に重要な結合ポケットを特定するための構造ベースのブラインドドッキングの利用を検証し、ワークフローが下流選択性解析において最も強い予測結合エネルギーを持つ姿勢を優先していることを示しています。 この図の拡大版はこちらをクリックしてご覧ください。

図4:PRODIGYウェブサーバーのヒートマップはタンパク質-リガンドの組み合わせによる親和性を予測しました。ヒートマップは、PLK1、PLK2、PLK3に結合した配子間の重なりを直接解決します。一部のリガンド(リガンド45を含む)は3つのPLKアイソフォームすべてで類似の結合親和性を示し、選択性が低いことを示唆していますが、他のリガンド(特にリガンド3、5、6、7、27、28、34、35、49)は強いPLK1嗜好(ΔΔG ≥3.0 kcal/mol vs. PLK2/PLK3)を示し、PBD選択的阻害の目的と一致します。定量的には、50個のうち20個の配位が、PRODIGY予測されたΔG値に基づきPLK2およびPLK3に対してPLK1に対してほぼ2倍の選択性を示します。この差分結合は、ブラインドドッキングプロトコルが捕捉するPBD結合ポケットの微妙な変動に起因します。 この図の拡大版はこちらをクリックしてご覧ください。

図5:ADMETlab3.0とSwissADMEによる物理化学的性質の表現。パラメータは、nHD = 水素ドナー数、nHA = 水素受容体数、塩基 pKa、酸性 pKa、nStereo = ステレオセンター数、LogP = n-オクタノール/水分布係数、LogD = n-オクタノール/水分布係数(pH=7.4)、LogS = 水溶度、Fsp3 = sp3 ハイブリダイズド炭素数/総炭素数、nHet = ヘテロ原子数です。 この図の拡大版はこちらをクリックしてご覧ください。

図6:ADMETlab3.0とSwissADMEの組み合わせ。(A) ワイルドマン・クリッピン LogP (WLOGP) のゆで卵チャート vs.SwissADMEによるトポロジカル極表面積(TPSA)は、黄色(黄身)領域における吸収・分布血液脳関門(BBB)透過性、白い楕円の消化管を通じた吸収(HIA)、青と赤のポイントにP-糖タンパク質基質および非基質を表します。「卵」の外にある分子は吸収や分布が悪いと考えられています。(B) さまざまなシトクロムP450(CYPs)識別子を用いた代謝ヒートマップ。ヒト肝代謝(HLM)安定性に関するもので、赤は阻害剤/基質、緑は非阻害剤/非基質として機能し、緑は望ましい状態となります。(C) 排泄にはパラメータ、プラズマクリアランス、半減期が含まれます。点線は望ましい血漿クリアランス(<5 mL/min/kg)を示し、5-15 mL/min/kgおよび>15 mL/min/kgはそれぞれ中等度および高いクリアランスを示します。 この図の拡大版はこちらをクリックしてご覧ください。

図7:統合毒性プロファイリングにより、スクリーニングされた配位子における重大な安全リスクが明らかになる。(A) ADMETlab3.0が予測した50種類の代表的な天然物に対する毒性成分の分布。(B) リガンド1の毒性サンプル結果(赤で強調表示されたクラスIII毒性を示し、下記のテキストボックスに記載された関連するクレイマー規則の詳細な説明)。この二重評価アプローチ(毒性因子+クレーマークラス)により、高リスク化合物の早期トリアージが可能になります。 この図の拡大版はこちらをクリックしてご覧ください。

図8:B3LYP/def2-TZVP理論レベルでORCAを用いて計算した、代表的な50の天然産物由来配位子に対するHOMO–LUMOバンドギャップエネルギー(eV単位)。陰の領域(3.6から5.0 eV)は最適な安定性ウィンドウを示し、バンドギャップが3.6 eV未満は高い化学反応性や潜在的な光分解を示唆し、5.0 eVを超えると電子偏極性の低下や結合適応性の低下を示す可能性があります。この範囲に属するリガンドは、動力学的安定性と分子応答性のバランスが良好であり、PLK1-PBD阻害剤候補として優先される理由を支持しています。 この図の拡大版はこちらをクリックしてご覧ください。

図9:バイリンガル計算薬剤発見ワークフローのフローチャート。パイプラインはPLK1-PLK3 PBD構造の準備から始まり、その後SuperNatural 3.0データベースの疾患特化スクリーニングとリピンスキーの法則(分子量≤500 Da、水素結合ドナー≤5、受容体≤ 10、LogP ≤ 5) による フィルタリングが行われます。代表的な化合物はクラスタリング後に選定され、その後、タンパク質-リガンドドッキング、結合親和性予測、吸収、分布、代謝、排泄、毒性、量子力学安定性評価を含む包括的なADMET-Sプロファイリングを経て評価されます。 この図の拡大版はこちらをクリックしてご覧ください。

図10:トップ候補リガンドと既知のPLK1-PBD阻害剤との構造的・機能的重複の比較。図は、仮想スクリーニング、クラスタリング、結合親和性、ADMET-Sプロファイリング分析を組み合わせて特定された6つの上位候補化合物(10、13、14、32、43、47)を示しています。これらのリガンドは114の望ましい物理化学的および薬理動態的記述子のうち少なくとも95を満たし、PLK2/3に比べてPLK1-PBDに対する結合親和性が高かった。構造的および機能的収束の可能性を評価するために、各リガンドは共通のコア薬理モチーフおよびペアワイズ・タニモト類似係数(ECFP4指紋)に基づき、既知のPLK1-PBD阻害剤であるTQ、ポロキシン、アロポールAと比較されました。中程度の類似度スコア(0.36–0.54)や、芳香族または異質芳香族環、水素結合ドナー/アクセプター対、疎水性リンカーなどの共通官能基は、結合特徴の部分的な重複を示しています。 この図の拡大版はこちらをクリックしてご覧ください。

ワークフロー段階	中間チェックポイント(成功を確認する方法)	重要なステップ(成功/失敗を決める理由)	よくある問題とトラブルシューティングの指針
1. 標的タンパク質調製	• Mol* ViewでPDBファイルがエラーなく読み込まれます。 ・バインディングポケットに残留物の欠落がない(目視検査)。 • 「HIS」(HSD/HSEではない)とラベル付けされたヒスチジン残基	不正確なタンパク質構造→偽結合ポケット→誤解を招くドッキングポーズ。CHARMM-GUIは、正しいプロトン化、水素配置、水や配位子の除去を保証します。	問題:CB-Dock2がPDBファイルを拒否します。 修正方法:非標準残基を除去し、タンパク質鎖のみを保持し、原子名や残基名をテキストエディタで標準化します。
2. 天然物ろ過(リピンスキーの法則5)	• 「all.csv」は有効なSMILES(空欄でなく化学的に解析可能)のみを含みます。 ・予想される試合数(例:999/1,193)。	無効なSMILESはRDKit、ドッキングサーバー、ADMETツールをクラッシュさせます。ろ過は化学的妥当性を保たなければなりません。	問題:クラスタリング中にスクリプトが失敗します。 修正:PythonのChem.MolFromSmiles(smiles, sanitize=True)を使ってSMILESの検証を追加;進行する前に無効なエントリーをログに記録し削除してください。
3. クラスタサンプリング	• 「rep_struct.txt」に登場する50のユニークな笑顔。 • PCAプロット(図2)は明確なクラスター分離を示しています。	クラスタリングの不十分な場合→、冗長または多様性に欠ける代表者→非効率的なスクリーニングが行われています。	問題点:すべての分子が一つのグループに集まっています。 修正方法:指紋タイプ(例:Morgan/ECFP4)、Tanimoto閾値、SMILES標準化を確認してください。多様性が低い場合はクラスター数を増やすことを検討してください。
4. タンパク質-リガンドドッキング(CB-Dock2)	• 各リガンドは≥1つの「.complex.pdb」ファイルを返します。 ・ビナスコアはマイナス(例:≤−5 kcal/mol)。 ・リガンドはCurPocket(表面ではなく)に配置されています。	ドッキングはバインディングポーズとアフィニティを定義します。誤ったポーズ→誤った天才予測。	問題:ジョブ失敗、またはリガンドがドッキングされていない。 修正:CB-Dock2でSMILESを使ってリガンドを再描画;ファイル名に特殊文字がないことを確認し、仕事の状況はメールアドレスを確認してください。もしなければ、バックアップとしてSwissDockを試してみてください。
5. 結合適性(PRODIGY)	・PRODIGYはすべての複体に対してΔG値を返します。 ・親和性はCB-Dock(Vina)スコア(トレンド一貫性)と相関します。	選択性評価は、PLK1とPLK2/PLK3の正確なΔGに依存します。誤ったチェーン/リガンドIDの割り当て→誤った予測です。	問題:「チェーンが見つかりません」エラー。 修正方法:.complex.pdbをテキストエディタで開く;タンパク質鎖の識別(例:「P」)およびリガンド残基名(例:「UNL」)を確認し、PRODIGYで正しく入力してください。
6. ADMET-S評価	• 50件すべてのSMILESの結果はSwissADME、ADMETlab3.0、ToxTreeで行われます。 • 出力CSVに「N/A」や「Error」行はありません。	ADMETデータの不一致→候補者のランキングの誤り。プラットフォームはエキゾチックな天然産物の足場で失敗することがあります。	問題点:ADMETlab3.0がSMILESを拒否する。修正:RDKit(MolToSmiles(MolFromSmiles(...)))を使ってSMILESを標準化する。ToxTreeでは、一度に1分子ずつ入力し、構造のレンダリングを検証します。
7. 量子安定性(ORCA)	• 各ORCAジョブは「SCF収束していない」や「ジオメトリエラー」なしで完了します。 • 出力(.out)ファイルに存在するHOMO/LUMO値。	バンドギャップは化学的安定性や反応性を決定します。失敗したジョブ=キーフィルターの欠落データ。	問題:ORCAジョブがクラッシュします。修正:Avogadroでジオメトリを再最適化;重複する原子がないことを確実にし、大型分子に対してmaxcoreの割合を増やすか、def2-SVPベースに切り替えること。
8. 統合ADMET-Sフィルタリング	・最終配位子リストはすべての基準を満たしています(例:LogP 0–3、バンドギャップ3.6–5 eV、クレーマークラスI/II)。 • ≥1リガンドはPLK1の選択性を示します(ΔΔG ≥ 2 kcal/mol 対 PLK2/3)。	過度に厳格または一貫性のない閾値は有効なリードを失わせます。あまりにも緩すぎる閾値は有害・不安定な化合物を進める。	問題:すべてのフィルターを通過する配位子がありません。 修正方法:一度に一つの基準を緩和し(例:LogPを4つまたは3つの毒物≤許可)、トレードオフを記録しましょう。ベンチマークのために既知の薬剤と比較してください。

表1:選択的PLK1-PBD阻害剤を特定するための8段階のバイリンガル計算ワークフローにおける重要な品質管理チェックポイント、高影響の意思決定ポイントおよびトラブルシューティング戦略。各行はタンパク質調製から統合ADMET-Sフィルタリングまでの主要なプロトコルフェーズに対応し、(i) 成功の検証方法(中間チェックポイント)、(ii) このステップが全体の成功または失敗に重要な理由(重要なステップの根拠)、(iii) 一般的な技術的失敗に対する実用的な解決策(トラブルシューティングの指針)を指定します。この表は、学術的または資源制約のある環境でプロトコルを実施する学生や研究者にとって、検証のロードマップであると同時に教育補助として機能します。

補足ファイル1:Pythonスクリプト。Lipinskiルール適用用のPythonスクリプトを含みます。クラスタリング解析に使われるPythonスクリプト、物理化学的性質計算のためのPythonスクリプト、代謝解析用のRスクリプト、排泄分析用のPythonスクリプト、毒性予測用のPythonスクリプト、安定性評価用のPythonスクリプト、そして分析された50種類の化合物のSMILES弦も分析しました。このファイルをダウンロードするには、こちらをクリックしてください。

ディスカッション

本研究は、仮想スクリーニング、ドッキング、ADMET-S解析を通じて潜在的なPLK1-PBD阻害剤を特定し評価するための探索的計算ワークフローに焦点を当てています。このパイプラインは、予測された結合傾向や薬理動態特性に基づいて化合物の優先順位を効果的に設定しています。このプロトコルでは、可能性のあるPLK1阻害剤のセットを特定し、それらのADMET特性およびPLK1–3タンパク質に対する結合親和性を評価します。プロトコルは疾患に焦点を当てたアプローチを用い、約73,400のデータベースから50分子を特定します(図9)。その後、これら50分子はADMET-S評価を受け、その薬理動態的・薬理動態的特性、薬剤類似性、安定性が計算されました。さらに、PLK1–3タンパク質に対する結合親和性を計算し、PLK1に対する阻害効力や選択性を評価しました。結果に基づき、いくつかの分子がより望ましい性質を示しました。その後の創薬研究では、一部の分子を排除し、その探求から一部の分子に集中したり、早期除去を控えてこれらの結果を薬剤設計プロセスの後期でADMET特性の最適化に活用することもあります。

PLK1、PLK2、PLK3に注目し、PLK4とPLK5を除外する生物学的根拠は、構造的および機能的な観点に基づいています。PLK4およびPLK5は、PLK1とは構造的・機能的に明確に異なり、がん治療への関連性が限定的であるため、本研究から除外されています。PLK1はキナーゼドメインとポロボックスドメイン(PBD)を特徴とし、有糸分裂イベントの調節に重要な役割を果たし、がん治療の重要な標的となっています⁴¹。対照的に、PLK4とPLK5は構造的に異なり、PLK4は標準的なPBDではなく隠蔽的なポロボックス(CPB)を持ち、主に中心細胞重複で機能します。同時に、PLK5は機能的キナーゼドメインを持たず、ほぼ脳内で発現します^。PLK1-PBDとの構造的重複が最小限で、がんにおける有糸分裂調節障害への関連性も限定的であるため、PLK1-PBD阻害剤の選択性に意味のある影響を与えません。したがって、スクリーニング戦略は生物学的に関連性が高く計算的に扱いやすい選択性評価の枠組みを提供します。重要なのは、上位6つの候補配位(10、13、14、32、43、47)が既知の阻害剤であるTQおよびAllopole-Aよりもさらに良好な結合エネルギーとADMET-Sプロファイルを示し、PLK1-PBD変調因子として注目されたことです。

特に計算創薬ツールに不慣れな学生や研究者の堅牢な実装を支援するため、主要なチェックポイント(プロトコルセクション内)、重要なステップ、ワークフローのトラブルシューティングガイダンスの概要が表 1に示されています。テーブルは適応性を支持します。例えば、ユーザーがHPCアクセスを持たない場合はORCAの安定性分析が延期可能であることを確認でき、ウェブサーバーがダウンしている場合はSwissDockのような代替手段が提案されます。この柔軟性により、多様な機関の文脈でワークフローが持続可能でありながら、科学的厳密さを維持し、包括的でバイリンガルかつ教育志向の初期段階の創薬開発への貢献としての研究の新規性を強化しています。ワークフロー全体が統合されたパイプラインとして設計されていますが、いくつかの重要なステップがその成功または失敗を根本的に決定します( 表1参照)。また、付随する動画には同期した英語キャプションとアメリカ手話(ASL)の手話者が登場し、気を散らすことなく公平なアクセスを提供することを目的としています。署名者の指示は画面上の動作と時間的に連動しており、例えば「次」と署名し、カーソルで「次へ」ボタンをクリックすると一時停止します。4HCO準備段階では、署名者は指名(「A」と「B」)を使ってチェーンの選択を導き、画面録画に正確に反映されます。SuperNatural 3.0の上映セグメントでは、署名者のウィンドウがリサイズされ右上に移動し、「パスウェイ」アイコンに注意を向け、カーソルが続くと一時停止します。これらの設計により、聴覚障害者や難聴者の視聴者も聴者と同等の統合されたリアルタイム指導を受けることができ、対面の講師主導の実験体験を効果的に再現しています。

利点以外にも、ワークフローを改善する方法は数多くあります。まず、初期フィルタリングを修正できます。疾患に焦点を当てたクラスターサンプリング法の代わりに、天然物データベース内のすべての分子のドッキングシミュレーションを行い、どの化合物がリガンドと標的タンパク質結合に最適かを特定することができます。さらに、結合親和性の正確な予測にはより詳細な推定が必要です。 PRODIGYの「静電なし」タンパク質-リガンド親和性計算は、相互作用に関与する分類された原子接触の種類(炭素-炭素、窒素-窒素、酸素-酸素、その他の原子)を、4重交差検証を伴う訓練済みの多重線形回帰モデルに適合させることを含み、この方法は様々な場面で実験的親和性と有意に相関しています(^42,43)。 FoldX⁴⁴、fastDRH⁴⁵、ディープラーニングモデル⁴⁶、高度なサンプリングを用いたMDなどの代替手法も採用可能であり、^各手法の精度に応じて予測の一致度は異なります。

もう一つの側面は、ADMET-S評価で使用されるさまざまなソフトウェアツールが多数の指標を生成し、薬剤適性を評価するために用いられる各指標を理解することが非常に重要です。正確性を確保する一つの方法は、市場に出ている複数の薬剤をプロトコルに適用し、閾値を満たしているかどうかを調べることです。 この文脈では、分子はクレイマーのルールのような微妙な意思決定ツリーの毒性プロファイルだけで排除されるわけではなく、多くの薬剤が同様の分類を持つため、毒性についてはさらなる研究が必要です。 毒性因子の数は、毒性プロファイルと組み合わせても毒性について完全には情報量にならない。 この文脈では、このワークフローの拡張として、利用可能な薬剤を用いた小分子サンプルの比較レビューを行い、解釈を図ることが考えられます。 例えば、研究者たちは、HOMO–LUMOバンドギャップ値のQM計算による安定性を解釈する際に、現在の乳がん治療薬(タモキシフェン⁴⁸、レトロゾール⁴⁹、シスプラチン⁵⁰)におけるDFT計算の適用と観察を報告した過去の文献を参照しています。これまでにも、同様のワークフローがさまざまな疾患・障害標的に対して潜在的な阻害剤を特定するために採用され^{てきました。}最近、Staffordら6はPLK1-PBD阻害剤設計戦略とがん治療の可能性^{をレビューしました} 。最近の研究では、構造誘導薬局モデリング、仮想スクリーニング、分子ドッキング、分子動態(MD)シミュレーション、^{生物学的評価}を用いて、PLK1-PBDおよびPLK4-PB3に対する二重標的阻害剤が同定されています。Zhouらはまた、3D QSAR薬管、ADMET、足場ホッピング、分子ドッキング、MD⁵³を用いて海洋天然物ライブラリからPLK1-PBD阻害剤を同定しました。

全体として、この研究の新規性は四つあります。第一に、これはアメリカ手話と英語の両方で提供されるバイリンガルの計算プロトコルであり、特に聴覚障害者や難聴の学生や研究者にとってSTEM分野のアクセシビリティと包摂性を促進しています。このバイリンガルな提供は計算新薬開発において稀であり、公平な科学教育の先駆けというギャローデット大学の使命と一致しています。第二に、PLK1は依然として魅力的な抗がん標的であるものの、PLK1、PLK2、PLK3における選択性を統合的構造的、エネルギー的、ADMET-Sの基準を用いて評価する厳密な計算研究は稀です。これまでの多くの研究はキナーゼドメイン阻害にのみ焦点を当てているか、比較選択性プロファイリングが不足しています。本研究は、3つのPLK-PBDに対する初期の探索的同時スクリーニングプロトコルを提供し、高いPLK1親和性と最小限のオフターゲット結合に基づく化合物を優先するフィルターを提供することで、このギャップを埋めます。第三に、ワークフローは特に教育やリソースの限られた環境向けに効率性と使いやすさを重視して設計されています。データベースフィルタリングからADMET-S評価までの全パイプラインは、標準的な学術ハードウェア(8GB RAM搭載のノートパソコン)で、無料のウェブベースソフトウェア(CB-Dock2、PRODIGY、SwissADME、ADMETlab)を活用して2週間以内に完了可能です。ドッキングおよび結合親和性の計算は時間のかかるステップではありません(1リガンドあたり約30秒)。最も時間のかかるステップはORCAを用いた量子力学安定性解析であり、これは後の段階に延期したり、高性能計算資源で実行したりすることができます。スクリプトはモジュール化されており、基本的なコマンドラインやJupyter Notebookの編集だけで済み、既存のカリキュラムにシームレスに統合できます。実行時間は控えめで、データベースフィルタリングとLipinski準拠は数分で済みます。通常のデスクトップでは、約1,000分子のクラスタリングは30分以内に完了します。すべてのソフトウェアツールは学術用途で無料で利用可能で、クロスプラットフォーム(Windows、macOS、Linux)に対応し、商用ライセンスを必要としないため、参入障壁を大幅に低くしています。第四に、同定されたリガンドはナノモル範囲の相互作用に適合する有望な結合親和性を示し、良好な薬剤類似性、代謝安定性、低毒性プロファイルと相まっていきました。いくつかの候補は、ADMET-Sの望ましい特性を持つ強力で選択的なPLK1-PBD結合剤として現れ、分子動態シミュレーションやin vitroアッセイによるさらなる検証が求められています。

したがって、方法論的な有用性を超えて、本研究はアクセス可能でオープンソースかつ効率的な計算ツールを、高価値の生物医学的課題に取り組みながら包括的な科学的訓練を促進するための出発点として活用できることを示しています。PLK1-PBD阻害剤が腫瘍学でますます注目を集める中、このワークフローは早期段階の創薬における再現可能で教育に適した設計図を提供します。その多様性は高校、学部生、大学院の環境に適しており、学生に本物の実践的な研究機会を提供するCUREの優れた基盤を提供します。キナーゼドメインドッキングや単一タンパク質スクリーニングのみに依存するパイプラインとは異なり、このアプローチはPLK1–3のPBD選択性を同時に評価します。これは、>38%の構造相同性と生物学的役割の違いを考慮すると必要です。さらに、クラスタリング、ADMET-S、QMの安定性をオープンアクセスフレームワークで組み合わせることで、ブルートフォース仮想スクリーニングに比べて冗長性および喪失リスクが低減されました。

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
ADMETLab3	シミュレーションプラス。インク	V3.0	ADMETの性質
アルファフォールド	GoogleでDeepMindと検索してみてください。Isomorphic Labs(アルファベットの子会社)	V3.0.1	3Dタンパク質モデリング
アナコンダ/コンダ	アナコンダ社	V24.9.2	オープンソースのパッケージ管理システム
CB-Dock2	楊草研究所	V2.0	タンパク質-リガンドのブラインドドッキング
チャーム・グイ	リーハイ大学	V3.8	生体分子操作とシミュレーション
アクセス上のダーウィン	デラウェア大学	該当なし	高性能計算
ORCA	FAccTs GmbH	V6.1.0	量子化学パッケージ
タンパク質データバンク	ワールドワイド・プロテイン・データバンク	リッド:SCR_006555	タンパク質データベース
RDKit	オープンソース	リッド:SCR_014274	ケミンフォマティクスプログラミング
スーパーナチュラル3.0	生理学・科学研究所-IT(ベルリン)	V3.0	自然分子ライブラリ
スイスADME	スイス生物情報学研究所	RRID:SCR_017865	ADMEの性質
トックストリー	Ideaconsult Ltd	V3.1.0	毒性分類