方法論記事

広範なリガンドライブラリを持つ標的のファーマコフォアモデリング:SARS-CoV-2 Mproのケーススタディ

2.5K 閲覧数

⸱

DOI：

10.3791/68933

⸱

2025年9月26日

 ,  , 
1School of Medicine, Universidad Nacional Autónoma de México (UNAM), 2Investigadores por México, Secretaría de Ciencia, Humanidades, Tecnología e Innovación (SECIHTI), 3Research and Development in Biotherapeutics Unit (UDIBI), National School of Biological Sciences, National Polytechnic Institute, 4National Laboratory for Specialized Services of Investigation, Development and Innovation (I+D+i) for Pharma Chemicals and Biotechnological products, LANSEIDI-FarBiotec-CONAHCYT, 5Immunology Department, National School of Biological Sciences, National Polytechnic Institute

この記事について

サマリー

この記事では、複数のリガンドからの分子特徴を統合することにより、コンセンサスファーマコフォアモデルを構築するためのプロトコルを紹介します。この方法は、既知のリガンド結合コンフォメーションを持つあらゆる生物学的標的を標的とする創薬活動に適用でき、仮想スクリーニングと合理的な薬物設計のための主要な相互作用特徴の同定を可能にします。

要約

ファーマコフォアは、化合物とその生物学的標的との間の最適な相互作用に必要な分子特徴の空間的配置を定義します。これらのモデルは、標的と既知のリガンドの結合コンフォメーションにおける一連のリガンドとの間の分子間相互作用を分析することによって導き出すことができます。コンセンサスファーマコフォアは、複数のリガンドの共通の特徴を統合し、モデルバイアスを減らし、予測力を高めます。ただし、大規模で化学的に多様なリガンドセットから堅牢なコンセンサスファーマコフォアを生成するには、技術的な課題があります。

ここでは、複数のリガンド結合複合体にわたる薬理学の特徴を同定してクラスター化するように設計されたオープンソースの情報学ツールであるConPharを使用して、コンセンサス薬局を構築するためのプロトコルを紹介します。このプロトコルには、モデルの生成、改良、および超大規模分子ライブラリーの仮想スクリーニングへの応用が含まれます。ケーススタディとして、この方法をSARS-CoV-2メインプロテアーゼ(Mpro)に適用し、標的と共結晶化した100種類の非共有結合阻害剤を使用しました。得られたファーマコフォアモデルは、Mproの触媒領域における主要な相互作用特徴を捉え、新しい潜在的なリガンドの同定を可能にしました。

この戦略は、リガンド結合コンフォメーションが利用可能なあらゆる生物学的標的に広く適用できます。これは、広範なリガンドデータセットを持つターゲットにとって特に価値があり、望ましい相互作用プロファイルを持つ新規候補の同定を合理化することで合理的な創薬をサポートします。

概要

ファーマコフォアモデリングは、コンピューター支援医薬品設計の基礎技術であり、生物学的活性に関与する重要な分子特徴の同定を可能にします1,2。ファーマコフォアは、リガンドと生物学的標的3の間の分子相互作用に必要な、水素結合供与体、アクセプター、芳香環、疎水性領域などの特徴の空間的配置を定義します。実験的結晶学または分子モデリングのいずれかから複数のリガンド-標的複合体が利用可能な場合、共有された相互作用パターンをコンセンサスファーマコフォアモデルに統合して、モデルの堅牢性を高め、仮想スクリーニングの精度を向上させることができます4,5。

コンセンサスファーマコフォアの有用性にもかかわらず、特にリガンドが構造的に多様である場合、その生成は技術的に依然として困難です。個々のリガンドから薬原体を生成するためにいくつかのソフトウェアツールが利用可能ですが、複数の特徴セットをコヒーレントモデル6,7に統合するための標準化された手順が不足しています。さらに、特徴のクラスタリング、フィルタリング、およびスクリーニングおよび視覚化ツールと互換性のある形式でのエクスポートをサポートするエンドツーエンドのワークフローを提供するプラットフォームはほとんどありません8。これらの制限により、大規模な創薬活動におけるコンセンサスファーマコフォアの広範な採用が制限されています。

このギャップに対処するために、ConPhar は、事前に整列されたリガンドと標的複合体の広範なセットから薬理特性を体系的に抽出、クラスタリング、およびコンセンサス モデリングするために特別に設計された新しいオープンソース ツールとして開発されました。既存のソフトウェアとは異なり、ConPhar は柔軟なパラメーター調整、自動機能統合、複数の出力形式との互換性を提供し、仮想スクリーニング パイプラインに適した堅牢なコンセンサス モデルの生成を容易にします。これにより、このツールは、大規模で化学的に多様なリガンドライブラリを処理する際の以前のボトルネックを克服し、ファーマコフォアモデリングワークフローの再現性と拡張性を向上させます。

このアプローチを実証するために、リガンド-標的複合体のコレクションからコンセンサスファーマコフォアモデルを構築するための再現性のあるプロトコルを提示します。このワークフローには、ファーマコフォアの特徴抽出、クラスタリング、視覚化、およびダウンストリームアプリケーション用のオープンソースツールが統合されています。ケーススタディとして、広範な構造データを持つ重要な治療標的であるSARS-CoV-2メインプロテアーゼ(Mpro)にプロトコルを適用しました9。私たちは、アポ型と冗長複合体を除いた、Mproと共結晶化した100の非共有結合リガンド(2025年5月27日現在のPDBエントリ)のデータセットをキュレーションしました。個々の薬理学的特徴を抽出し、特徴クラスタリング用に特別に設計されたツールである ConPharを使用してコンセンサスモデルにマージしました10。このケースは、保存された相互作用パターンを明らかにし、超大規模ライブラリの合理的なスクリーニングをサポートするプロトコルの能力を示しています。

プロトコル

1. 方法1

  1. コンセンサスファーマコフォア生成のためのリガンドの調製
    1. PyMOLソフトウェア11を使用して、すべてのタンパク質-リガンド複合体を整列させます。
    2. 整列した各リガンド配座異性を抽出し、SDF形式の個別のファイルとして保存します。
      注:MOL、MOL2、PDBなどの他のフォーマットも、ここで説明するプロトコルに使用できます。
  2. Pharmit12 を使用したファーマコフォア JSON ファイルの生成
    1. [ 特徴量の読み込み] オプションを使用して、各リガンドファイルを個別にPhämitにアップロードします(Pharmitへのリンクについては 、 材料表 を参照)。
    2. [ セッションの保存 ] オプションを使用して、対応するファーマコフォア JSON ファイルをダウンロードします。
  3. ConPharで使用するJSONファイルを整理する
    1. ダウンロードしたすべての JSON ファイルを 1 つのフォルダーに保存します。これらのファイルは、次の方法で Google Colab 環境にアップロードされます。

2. 方法2

  1. Google Colab 環境を設定する
    1. 新しい Google Colab ノートブックを起動する: ウェブブラウザで Google Colab を開き、新しいノートブックを作成し、[ランタイム] → [ランタイムを 2025.07 ランタイム バージョンに変更] を選択して、以前のバージョンを使用するように設定を調整します→。
    2. CondaとPyMOLをインストールします。Google Colab に Conda と PyMOL をインストールするために必要なコードは、参照用に斜体で提供されており、完全な実行可能スクリプトは サポート ファイル 1 でも入手できます。
      # CondaColabのインストール:Google ColabでConda環境のサポートを有効にします
      IPython.utilsからインポートio
      tqdm.notebook のインポート
      OSのインポート
      合計 = 100
      tqdm.notebook.tqdm(total=total) を pbar として使用します。
      キャプチャされたio.capture_output()を使用します。
      # CondaColabをインストールする
      !pip install -q condacolab
      condacolabのインポート
      condacolab.install()
      pbar.update(10)
      # インストールされているパッケージを見つけるために Python パスを更新する
      インポートシステム
      sys.path.append('/usr/local/lib/python3.7/site-packages/')
      pbar.update(20)
      # Schredinger チャネルから mamba を使用して PyMOL バンドルをインストールする
      %shell mamba install -c schrodinger pymol-bundle --yes
      pbar.update(90)
    3. 実行が成功したことを確認する: 再生アイコンをクリックするか、 Shift + Enter キーを押してセルを実行します。実行が成功すると、セルの上に緑色の水平バーが表示されます( 図1を参照)。
  2. ConPhar Pythonパッケージをインストールし、必要なモジュールをインポートします
    1. ConPharをインストールしてインポートします。ConPharパッケージをインストールし、必要なモジュールをGoogle Colabにインポートするために必要なコードは、参照用に斜体で提供されており、完全な実行可能スクリプトは サポートファイル1でも入手できます。
      # ConPharファーマコフォア解析パッケージのインストール
      Pymol のインポート
      !pip インストールコンファル
      コンファールから。ファーマコフォアはparse_json_pharmacophore、show_pharmacophoric_descriptors、save_pharmacophore_to_pymol、save_pharmacophore_to_json、compute_concensus_pharmacophoreを輸入しています
      OSのインポート
      pandas を pd としてインポートする
      注: conphar の import ステートメント。ファーマコフォアはわかりやすくするために複数の行に分割されていますが、1つの連続した行として入力する必要があります。ConPharツール(https://github.com/AngelRuizMoreno/ConcensusPharmacophore)は活発に開発中です。現在のプロトコルでは、上記の手順で検証された安定版リリース (0.1.2) が使用されています。再現性を確保するために、ユーザーはこのバージョンを使用することをお勧めします。
    2. インストールが成功したことを確認する: 再生アイコンをクリックするか、 Shift + Enter を押してセルを実行します。ConPharツールのインストールとインポートが成功すると、確認メッセージが表示されます( 図2を参照)。
  3. JSON ファイルから個々のファーマコフォア モデルをロードする
    1. ファーマコフォア JSON ファイル用のフォルダーを作成します。ファーマコフォア入力ファイルをGoogle Colabに保存するためのフォルダを作成するために必要なコードは、参照用に斜体で提供されており、完全な実行可能スクリプトは サポートファイル1でも入手できます。
      # 入力 JSON ファイルを格納するフォルダーを作成する
      os.makedirs("JSON_FOLDER", exist_ok=True)
      注: このコマンドは、フォルダがまだ存在しない場合、フォルダを自動的に作成します。
    2. JSON ファイルをフォルダにアップロードする: Colab の左側のパネルにあるフォルダ アイコンをクリックし、新しく作成したフォルダを開き、右クリックして [アップロード] を選択します。必要な JSON ファイルを追加します ( 図 3 を参照)。
      注: ファイルが Pharmit によって生成された予期される形式に従っていることを確認してください。
  4. 薬理学的特徴の解析と統合
    1. アップロードされたファイルから薬理特性を抽出します。アップロードされた JSON ファイルを解析し、薬理学的特徴を抽出し、Google Colab の 1 つの DataFrame に保存するために必要なコードは、参照用に斜体で提供されており、完全な実行可能スクリプトは サポート ファイル 1 でも入手できます。
      p4_table=pdです。データフレーム()
      os.listdir('/content/JSON_FOLDER')のファイルの場合:
      ファイル内の「.json」の場合:
      試みる：
      p4,lig,rec=parse_json_pharmacophore(f"/content/JSON_FOLDER/{file}")
      p4['リガンド']=file.replace('.json','')
      p4_table=pd.concat([p4_table,p4],ignore_index=True)
      例外を除く:
      通る
      p4_table
    2. 再生アイコンをクリックするか、 Shift + Enter キーを押してセルを実行し、統合された DataFrame を生成します ( 図 4 を参照)。結果として得られる統合されたDataFrameは、個々のリガンドから抽出されたすべての薬理特性を統一されたテーブルにまとめ、下流のクラスタリングと統計分析を容易にします。
      注: このスクリプトには、ワークフローの中断を防ぐために、処理中に不正な形式の JSON ファイルをバイパスする基本的な例外処理が含まれています。ファイルの数が多いため、事前に各ファイルをチェックすることは現実的ではありません。代わりに、読み込みに失敗したファイルの名前を出力するようにスクリプトを変更できるため、ユーザーは個別に検査して修正できます。
  5. コンセンサスファーマコフォアを生成して保存する
    1. すべての薬理書記を表示します。Google Colabの入力ファイルから抽出された薬理学記述子を視覚化するために必要なコードは、参照用に斜体で提供されており、完全な実行可能スクリプトは サポートファイル1でも入手できます。
      show_pharmacophoric_descriptors(p4_table)
    2. 再生アイコンをクリックするか、 Shift + Enter を押してセルを実行し、薬理特性のクラスタリングを視覚化します( 図5を参照)。特徴クラスター化された出力は、空間的位置に基づいて複数のリガンドにわたる類似の薬理特性をグループ化し、保存された相互作用パターンの同定を可能にします。
    3. ファーマコフォアモデルをPyMOL形式で保存します。コンセンサスファーマコフォアモデルをPyMOL互換形式で生成してGoogle Colabで保存するために必要なコードは、参照用に斜体で提供されており、完全な実行可能スクリプトは サポートファイル1でも入手できます。
      save_pharmacophore_to_pymol(p4_table, out_file='ConPhar_pymol.pse')
    4. セルを実行して、対応する .pse ファイルを生成します ( 図 6 を参照)。
    5. ファーマコフォアモデルをJSON形式で保存します。コンセンサスファーマコフォアモデルを Google Colab で Pharmit 互換形式で生成して保存するために必要なコードは、参照用に斜体で提供されており、完全な実行可能スクリプトは サポート ファイル 1 でも入手できます。
      ​save_pharmacophore_to_json(p4_table,out_file=
      'ConPhar_pharmit.json')
    6. セルを実行して、対応する.jsonファイルを生成します( 図6を参照)。
    7. 特徴クラスター化された出力とデンドログラムを生成します。PyMOLやPharmit互換のフォーマットなど、特徴タイプ別にグループ化されたコンセンサスファーマコフォアファイル、およびGoogle Colabでの樹状図の視覚化に必要なコードは、参照用に斜体で提供されており、完全な実行可能スクリプトは サポートファイル1でも入手できます。
      concensus,links=compute_concensus_pharmacophore
      (p4_table,save_data_per_descriptor=True,out_folder='/content')
    8. 再生アイコンをクリックするか、 Shift + Enter キーを押してセルを実行します ( 図 7 を参照)。結果には、クラスター化された薬理学的特徴間の階層的関係をツリーの形式で表す樹状図の視覚化が表示され、ユーザーがクラスター間の類似度と空間的近接性を解釈するのに役立ちます。
      注:この手順では、複数の出力ファイルと図が指定されたフォルダーに保存されます。
    9. コンセンサスファーマコフォアの結果をCSVファイルにエクスポートします。最終的なコンセンサスファーマコフォアテーブルを Google Colab に CSV 形式で保存するために必要なコードは、参照用に斜体で提供されており、完全な実行可能スクリプトは サポート ファイル 1 でも入手できます。
      concensus.to_csv('consensus_result.csv'、インデックス=False)
    10. 再生アイコンをクリックするか、 Shift + Enter を押してセルを実行し、コンセンサスファーマコフォアデータをconsensus_result.csvという名前のCSVファイルにエクスポートして、さらに分析します( 図8を参照)。
      注: CSV ファイルは、統計分析やスプレッドシート ソフトウェアでの視覚化などのダウンストリーム アプリケーションを容易にします。
  6. コンセンサスファーマコフォアを仮想スクリーニングに使用する
    1. コンセンサスファーマコフォアをJSON形式でエクスポートします。ファイルにすべてのフィーチャの空間座標が含まれていることを確認します。この形式は、Pharmit12などのWebベースのスクリーニングツールと直接互換性があります。仮想スクリーニングを実行するには、[機能の読み込み]オプションを使用して、薬局のJSONファイルをPhharmitサーバーにアップロードします。サーバーでは、特徴を変更、追加、削除することでモデルを改良したり、PubChem13やZINC14などの大規模な化合物ライブラリーに対してスクリーニングしたりできます。
      注:この研究で説明されている分析を再現するために必要なすべてのスクリプトは、 サポートファイル1に記載されており、https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharing を介してインタラクティブにアクセスできます。読者は、元のスクリプトを変更せずに分析を実行および変更するために、Colab ノートブックの個人的なコピーを作成することをお勧めします。

figure-protocol-1
図 1: CondaColab をインストールして Google Colab 環境をセットアップするために使用した最初のコード ブロックのスクリーンショット。 実行中はセルの上に水平方向の青い進行状況バーが表示され、正常に完了すると緑色に変わります。 この図の拡大版を表示するには、ここをクリックしてください。

figure-protocol-2
図2:Google ColabにConPharパッケージをインストールするために使用した2番目のコードブロックのスクリーンショット。この図の拡大版を表示するには、ここをクリックしてください。

figure-protocol-3
図3:ファーマコフォアJSONファイルがGoogle Colabの指定されたフォルダーに正常にアップロードされたことを示すスクリーンショット。この図の拡大版を表示するには、ここをクリックしてください。

figure-protocol-4
図4:JSONファイルから薬理学的特徴を抽出し、それらを単一のDataFrameに統合するために使用したコードを示すスクリーンショット。この図の拡大版を表示するには、ここをクリックしてください。

figure-protocol-5
図5:コンセンサスファーマコフォアモデルの構築中に生成された薬理特性のクラスタリングの視覚化。この図の拡大版を表示するには、ここをクリックしてください。

figure-protocol-6
図6:PyMOLおよびPharmit互換フォーマットのコンセンサスファーマコフォアファイルの正常な生成を示すスクリーンショット。この図の拡大版を表示するには、ここをクリックしてください。

figure-protocol-7
図7:PyMOL、Pharmit、および樹状図の視覚化の出力を含む、特徴タイプ別にクラスター化されたコンセンサスファーマコフォアファイルの生成を示すスクリーンショット。この図の拡大版を表示するには、ここをクリックしてください。

figure-protocol-8
図8:コンセンサスファーマコフォアデータをconsensus_result.csvファイルに正常にエクスポートしたことを示すスクリーンショット。この図の拡大版を表示するには、ここをクリックしてください。

結果

図9Aに例示されているように、異なる非共有結合阻害剤と共結晶化した100のMpro複合体を整列させました。次に、各リガンドを個別のファイルとして抽出し(図9B)、その後Pharmitサーバーにアップロードしました。セッションは、対応するJSONファイルを生成するために保存されました(図9Cを参照)。

figure-results-1
図9:コンセンサスファーマコフォアモデリングのためのリガンド調製。 (A)非共有結合阻害剤と共結晶化した3つの代表的なMpro複合体の構造整列。(B) この研究に含まれる 100 のリガンドの重ね合わせ。(C) 「特徴量の読み込み」オプションを使用して各リガンドをPhantitサーバーにアップロードし、続いて「セッションの保存」オプションを使用してJSONファイルを生成します。どちらのオプションも赤い矢印で示されています。 この図の拡大版を表示するには、ここをクリックしてください。

JSONファイルの完全なセットを使用して、110のクラスターにグループ化された1450の薬理特性を含むコンセンサスファーマコフォアモデルを生成しました:23の芳香族(Aro)、30の水素結合アクセプター(HBA)、16の水素結合供与体(HBD)、36の疎水性(Hyd)、および5つの負に帯電した(陰イオン)クラスター(図10A、 補足表 1).コンセンサスモデルに組み込むために、各特徴のより大きなクラスターを特定しました。Aroクラスターの中から、20個以上の元素を持つものを選択しました。HBA、HBD、および Hyd グループから、少なくとも 50 個の要素を含むクラスターを保持しました。陰イオンクラスターには4人を超えるメンバーがなかったため、コンセンサスモデルから除外されました(図10B)。これらの数値しきい値 (Aro の場合は >20 メンバー、HBA、HBD、および Hyd の場合は ≥50) は、最も保存され、人口密度の高い相互作用パターンに優先順位を付けるために、クラスター サイズの分布に基づいて経験的に定義されました。

figure-results-2
図10:100のMpro-リガンド複合体からの薬理特性のクラスタリング。(A)1450の薬理特性の分布:紫色の芳香族(Aro)、オレンジ色の水素結合アクセプター(HBA)、白の水素結合供与体(HBD)、緑色の疎水性(Hyd)、赤色の負に帯電した(陰イオン)。(B)≥10のメンバーを含むクラスターは、Aro、HBA、HBD、およびHydについて示されています。すべての陰イオンクラスターが表示されます。最大のクラスター (Aro の場合は ≥20 のメンバー、HBA、HBD、Hyd の場合は ≥50 のメンバー、陰イオンの場合は ≥4 のメンバーを持つクラスターとして定義される)は、点線の球で強調表示されます。最大クラスターの各メンバーの数が明示的に示されます。この図の拡大版を表示するには、ここをクリックしてください。

したがって、私たちのコンセンサスファーマコフォアモデルには11の特徴が含まれていました:3つの芳香族(Aro)特徴、Aro 1、2、および3は、それぞれ20、24、および45のメンバーを持つクラスターに由来します。4つの水素結合アクセプター(HBA)、HBA 1、2、3、および4、それぞれ51、55、77、および81のメンバーを持つクラスターから。それぞれ51個と71個のメンバーを持つクラスターからの2つの水素結合供与体(HBD)。それぞれ50個と52個のメンバーを持つクラスターからの2つの疎水性(Hyd)特徴があります( 図11Aを参照)。

ファーマコフォアモデルを使用して、以前に報告された戦略を使用してPubChemデータベースを検索しましたが、一致するものは見つかりませんでした。検索の柔軟性を高めるために、芳香族の特徴であるAro 1(最小かつ最も代表性の低いクラスターに由来する)が削除されました。この調整により、PubChem CIDとの化合物の配座異性相101267741と10285538を含む2つのヒットが同定されました( 図11Bを参照)。化合物101267741の2D化学構造を 図11Cに示します。興味深いことに、この同定された化合物は、Mpro結合ポケット内にうまく収まります。共結晶リガンド38a15(PDB ID:9HAJ)との比較分析により、101267741のファーマコフォアマッチングコンフォーマーがMproのS1およびS2サブポケット内に38aよりもさらに深く埋もれていることがわかります。ただし、38aは、主にS1 'ポケットに向かって伸びるエチルカルボキサミド側鎖により、ポケットのより広い領域を占めます。それにもかかわらず、38aの重要な分子間相互作用には、この側鎖ではなく他の部分が関与しています。対照的に、化合物101267741は、7つの水素結合と4つの疎水性接触を含む11の分子間相互作用を形成します。38aによって形成される3つの水素結合と2つの疎水性相互作用と比較して、化合物101の結合モードはより強く見えます(図11D)。

figure-results-3
図11:PubChemデータベースでのファーマコフォア検索。 (A)完全なコンセンサスファーマコフォアモデルには、3つの芳香族(紫)、4つの水素結合アクセプター(オレンジ)、2つの水素結合ドナー(白)、および2つの疎水性(緑)の11の特徴が含まれています。(B)化合物PubChemの配座異性異性101267741 Aro 1の特徴を除去した後の還元ファーマコフォアモデルと一致し、(C)化合物の二次元化学構造が同定されました。(D)化合物38a(マゼンタ、PDB ID:9HAJから)と化合物PubChem CID 101267741(緑)のSARS-CoV-2 Mpro触媒ポケットへの結合モードの比較分析。各化合物に対応する分子間相互作用を右側に示します。水素結合と疎水性相互作用は、それぞれ青と灰色の破線で示されています。 この図の拡大版を表示するには、ここをクリックしてください。

サポートファイル1:ファーマコフォアワークフロースクリプト。このファイルをダウンロードするには、ここをクリックしてください。

サポート表1:薬理特性のクラスタリング要約。クラスターの数、クラスターあたりのメンバー数、重心座標、クラスター半径このファイルをダウンロードするには、ここをクリックしてください。

ディスカッション

ファーマコフォアモデリングは合理的な創薬を支援する16.ここで詳細に説明するプロトコルは、数十の非共有結合阻害剤から始まるSARS-CoV-2メインプロテアーゼ(Mpro)のコンセンサスファーマコフォアの生成に使用されましたが、既知のリガンド結合コンフォメーションを持つあらゆる生物学的標的、特に広範なリガンドデータセットを持つ標的に適用できます。個々のファーマコフォアまたは純粋にリガンドベースのモデルと比較して、このコンセンサスアプローチは、複数のリガンドコンフォメーションを統合することにより、堅牢性を高め、バイアスを軽減します。このプロトコルによって生成されたコンセンサスファーマコフォアモデルは、ChEMBL17やZINC14などの公開データベース、商用コレクション、独自の社内化合物ライブラリなど、多様な分子ライブラリに適用できます。この多用途性により、仮想スクリーニング キャンペーンで広範かつ多様な化学空間の探索が可能になり、それによって新しい生理活性化合物を同定する可能性が高まります。したがって、このワークフローは、所望の相互作用プロファイルを持つ新しい生理活性化合物の同定をサポートします。

このプロトコルの重要なステップの 1 つは、リガンドと標的複合体の正確な調製とアライメントです。ミスアライメントはモデルの予測力を弱める可能性があるため、生理活性コンフォメーションにおけるリガンドの正確な事前アライメントは、特徴の有意義で信頼性の高い統合を確保するために不可欠です10。最適なアライメントを実現するには、保存されたタンパク質結合部位残基または骨格原子を使用して構造重ね合わせを実行することをお勧めします。多様なリガンドを含むデータセットの場合、主要な相互作用ポイントまたは薬理特性を整列させることで、セット全体の一貫性が向上します。さらに、モデルの精度を低下させる可能性のあるアーティファクトを防ぐために、外れ値のリガンドコンフォメーションを慎重に手動で検査し、修正することをお勧めします。さらに、ConPhar のオープンソースの性質により、他の計算ワークフローへの統合やクラスタリング パラメーターの高度な調整が容易になります。経験豊富なユーザーは、薬理学的特徴のクラスタリングパラメータを変更して、モデルの一般性と特異性のバランスをとることができます。これらの修飾は、リガンドデータセットのサイズ、化学的多様性、またはターゲットの複雑さによって指示されます。たとえば、非常に多様なリガンドを扱う場合、段階的クラスタリングまたはサブグループ分析により、関連する特徴をよりよく捉えることができます18。

ConPharツールは現在、活発に開発中です。これにより、補完的なソフトウェア パイプラインとの統合など、特定の研究ニーズに合わせてツールを調整したいユーザーに大きな柔軟性がもたらされます。ただし、ソフトウェアはまだ変更される可能性があるため、ユーザーは公式アップデートを監視し、バージョン固有のドキュメントを参照することをお勧めします。発生した問題を報告することは、継続的な改善とより広範なコミュニティの検証に貢献します。私たちのプロトコルは、包括的な相互作用パターンを持つモデルを構築するため、大規模なライブラリの仮想スクリーニングに使用できます。私たちの代表的な結果では、得られたファーマコフォアを使用して、Mproの触媒領域に対する2つの新しい潜在的なリガンドの同定を行いました。最終的に、このコンセンサスファーマコフォア法は、ヒットの同定を合理化し、リードの最適化を加速します。

ただし、プロトコルの次の制限を特定します:i)低解像度データはモデルの精度を低下させる可能性があるため、高品質のリガンド結合構造への依存。ii) コンセンサスファーマコフォアは共通の特徴を強調するため、特定のリガンドにとって重要なユニークで重要な相互作用を見落とすリスク。iii)再現性は、異なるソフトウェアツール間で異なる特徴定義によって影響を受ける可能性があります19。ただし、これらの制限は、分子動力学シミュレーション20、ユーザーの知識に基づくクラスター保持、および薬理特性の同定のためのソフトウェアの一貫した使用によって、タンパク質リガンド系の構造を改良することによって克服できます。

このプロトコルのコンセンサスファーマコフォアモデルは、古典的なバイナリメトリックを使用して検証されていませんが、その予測能力は以前の研究で実証されています10。その研究では、78の化学的に多様なリガンドの独立したテストセットを使用して、同じ方法論で生成されたコンセンサスファーマコフォアを検証しました。バリデーションセットには、≤0.5の谷本類似性、200〜700 g/molの分子量、≤17の回転可能な結合、および少なくとも3つの薬理特性を持つリガンドが含まれていました。このモデルは既知の活性物質の同定に成功し、仮想スクリーニングワークフローへの適用性と化学的に多様な候補にわたる堅牢性を裏付けています。

ここで報告されているプロトコルは、ターゲットに特徴的な包括的な相互作用パターンを捉えるファーマコフォアモデルの構築を可能にします。これは、ウイルスプロテアーゼ、キナーゼ、核内受容体などの広範なリガンドデータを持つ標的にとって特に価値があります21。生成されたモデルは、大規模な化合物ライブラリーの仮想スクリーニングに適しており、新規の生理活性候補の同定を容易にします。コンセンサスファーマコフォアアプローチは、保存された機能的に関連する特徴を強調することにより、初期段階のヒット発見とその後のリード最適化の両方をサポートします。

開示事項

著者は利益相反を宣言しません。

謝辞

本研究は、PAPIIT UNAM IV200121 (M.A.V-V.)、SECIHTI プロジェクト Cátedras CONACYT 639 (LCB および M.A.V.)、LANCAD-UNAM-DGTIC-386 (L.C-B.)、およびバイオ医薬品ユニットの研究開発 (UDIBI) によって部分的に資金提供されました。

著者らは、この原稿の開発全体を通じての貴重なサポートと洞察力に富んだ貢献に対して、エドゥアルド・オロスコに感謝の意を表します。

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
Google Colabグーグル合同会社https://colab.googlePython ノートブックを実行するための Web ベースのプラットフォーム。ここでは、コンセンサスファーマコフォアモデリングのためのConPharおよびPyMOLスクリプトを実行するために使用されます。
ファミットピッツバーグ大学のKoesラボhttps://pharmit.csb.pitt.edu/search.htmlインタラクティブなファーマコフォア仮想スクリーニングと化学空間探索のためのWebプラットフォームにより、リガンドファイルのアップロードとファーマコフォア特徴の生成が可能
パイモールシュルöディンガー株式会社https://www.pymol.orgタンパク質に使用される分子視覚化および構造アライメントソフトウェア。配位子複合体の重ね合わせと解析
サポートファイル1ファーマコフォアワークフロースクリプトグーグル合同会社https://colab.research.google.com/drive/1Zj8DjazV6mJM-we9iOpoGTZt8JfW4I7D?usp=sharingConda、PyMOLをインストールし、Google Colabでファーマコフォアワークフローを実行するための完全な実行可能スクリプト。サポートファイル1としても提供されます。

参考文献

  1. Leach, A. R., Gillet, V. J., Lewis, R. A., Taylor, R. Three-dimensional pharmacophore methods in drug discovery. J Med Chem. 53 (2), 539-558 (2010).
  2. Giordano, D., Biancaniello, C., Argenio, M. A., Facchiano, A. Drug design by pharmacophore and virtual screening approach. Pharmaceuticals (Basel). 15 (5), 646(2022).
  3. Schaller, D., et al. Next generation 3D pharmacophore modeling. WIREs Comput Mol Sci. 10 (4), e1468(2020).
  4. Wolber, G., Langer, T. LigandScout: 3-D pharmacophores derived from protein-bound ligands and their use as virtual screening filters. J Chem Inf Model. 45 (1), 160-169 (2005).
  5. Ekins, S., Mestres, J., Testa, B. In silico pharmacology for drug discovery: Methods for virtual ligand screening and profiling. Br J Pharmacol. 152 (1), 9-20 (2007).
  6. Wolber, G., Dornhofer, A. A., Langer, T. Efficient overlay of small organic molecules using 3D pharmacophores. J Comput Aided Mol. 20 (12), 773-788 (2006).
  7. Schuster, D. 3D pharmacophores as tools for activity profiling. Drug Discov Today Technol. 7 (4), e205-e211 (2010).
  8. Qing, X., et al. Pharmacophore modeling: advances, limitations, and current utility in drug discovery. J Recept Ligand Channel Res. 7, 81-92 (2014).
  9. Ullrich, S., Nitsche, C. The SARS-CoV-2 main protease as drug target. Bioorg Med Chem Lett. 30 (17), 127377(2020).
  10. Ruiz-Moreno, A. J., et al. Consensus pharmacophore strategy for identifying novel SARS-CoV-2 Mpro inhibitors from large chemical libraries. J Chem Inf Model. 64 (6), 1984-1995 (2024).
  11. Schrödinger, L., DeLano, W. PyMOL, 2020. , http://www.pymol.org/pymol (2020).
  12. Sunseri, J., Koes, D. R. Pharmit: Interactive exploration of chemical space. Nucleic Acids Res. 44 (W1), W442-W448 (2016).
  13. Kim, S., et al. PubChem 2025 update. Nucleic Acids Res. 53 (D1), D1516-D1525 (2025).
  14. Tingle, B. I., et al. ZINC-22: A free multi-billion-scale database of tangible compounds for ligand discovery. J Chem Inf Model. 63 (4), 1166-1176 (2023).
  15. Hazemann, J., et al. Accelerating the hit-to-lead optimization of a SARS-CoV-2 Mpro inhibitor series by combining high-throughput medicinal chemistry and computational simulations. J Med Chem. 68 (8), 8269-8294 (2025).
  16. Momin, Y., Beloshe, V. Pharmacophore modeling in drug design. Adv Pharmacol. 103, 313-324 (2025).
  17. Zdrazil, B., et al. The ChEMBL database in 2023: A drug discovery platform spanning multiple bioactivity data types and time periods. Nucleic Acids Res. 52 (D1), D1180-D1192 (2024).
  18. Zhou, L., Griffith, R., Gaeta, B. Combining spatial and chemical information for clustering pharmacophores. BMC Bioinformatics. 15 (Suppl 16), S5(2014).
  19. Guner, O. History and evolution of the pharmacophore concept in computer-aided drug design. Curr Top Med Chem. 2 (12), 1321-1332 (2002).
  20. Wieder, M., Perricone, U., Seidel, T., Boresch, S., Langer, T. Comparing pharmacophore models derived from crystal structures and from molecular dynamics simulations. Monatsh Chem. 147 (3), 553-563 (2016).
  21. Santos, R., et al. A comprehensive map of molecular drug targets. Nat Rev Drug Discov. 16 (1), 19-34 (2017).

再版と許可

このJoVE記事のテキストまたは図の再利用許可をリクエスト

許可をリクエスト

タグ

関連記事