創薬と計算化学

高田 俊和

1 マテリアルシミュレーションへの期待

2 QM/MM法とマルチスケールシミュレーション

1. 蛋白質など生体分子は一般に数千から数万原子からなる巨大分子系で、Hartree-Fock法による原子核の位置を固定して行う所謂1点計算ですら依然として困難である。
   
2. 生体分子の化学事象におけるエネルギー変化は大体数kcal/molのオーダで、定性的な議論でさえ、ポストHartree-Fock法による高信頼性の計算が求められる。
   
3. 生体分子は一般に水溶液中で、その機能を発現するため、自由エネルギーによる考察が本質的に求められ、アンサンブル法による計算が必須である。経験的ポテンシャルによる計算では、座標を変えて1千万回ほど計算を繰り返すといわれており、非経験的分子軌道法でまともにできる話ではない。
   

Figure 1. Image for QM and MM Partitioning of Protein and Ligand Complex

Figure 1に、QM/MM法における蛋白質と基質複合系の空間分割のイメージを示した。蛋白質 (酵素) のQM/MM法による計算では、触媒機能を担っている活性部位近傍を、この部分では電子が直接関与するので、非経験的分子軌道法や密度汎関数法で、それ以外の大部分を分子力場法で、取り扱うのが一般的である。非経験的分子軌道法の計算量は、Hartree-Fock法の場合概ねその空間に含まれる原子数の3乗に比例して増減する。一方、古典力学的な取り扱いでは、ポテンシャルエネルギーを経験的な力場パラメータ (原子の結合距離、結合角、2面角、van der Waals力など) についての簡便な数式で与えるので、量子力学的な取り扱いに比べて、計算時間が極めて短くて済むという優れた特徴がある。それらの長所を巧く取り込んで、

1. QM空間に含まれる原子数をできるだけ、少なくして、高速化を図る。
   
2. その他の大部分を、計算時間の掛からない古典力学的な計算手法で、高速化する。
   

3 QM/MM法の課題と対策

1. QM空間は、電子が連続的に分布したポテンシャルで与えられるのに対して、MM空間では、原子は電荷をもつ質点として表現される。そのため、ポテンシャルがQM空間とMM空間の境界領域で不連続となり、分子構造の正しい記述ができない。
   
2. QM空間とMM空間をまたぐ共有結合を形成する原子を、それぞれの空間に帰属させるため、QM空間の末端原子に不対電子が人為的に現れる。この不対電子は、ラジカルで極めて活性に富むので、計算される電子状態に人為的な悪影響を及ぼす。
   

4 In Silico創薬への適用

1. 病気の原因となっている蛋白質の特定 (WET)
   
2. 上記蛋白質の大量合成 (WET)
   
3. 上記蛋白質の結晶作成 (WET)
   
4. 上記蛋白質のＸ線結晶解析 (WET)
   
5. コンピュータによるヒット化合物の探索 (DRY)
   
6. ADMEなどデータベースの活用による選別 (DRY)
   
7. BIACOREなどによる化合物の蛋白質に対する結合力の測定 (WET)
   
8. リード化合物の構造最適化 (DRY)
   
9. 上記化合物の化学合成 (WET)
   
10. 動物などによる安全性の確認テスト (WET)
    

Figure 2. Simulation Processes and Accuracy of In Silico Screening

ヒット化合物の探索範囲は100万化合物のオーダであり、如何にコンピュータの性能向上が著しいとはいえ、蛋白質とリガンド複合系を非経験的分子軌道計算で行うには、計算時間が掛かりすぎるので、ヒット化合物の探索には分子力場法を用いるのが、通例である。絞り込まれた化合物について精度を要求される計算には、QM/MM法を適用するのが、現実的な考え方である。Figure 2に、In Silicoスクリーニングの段階的な適用イメージを、対象分子数との関係で示した。ここで、1.5次スクリーニングとは、NECでの慣用的な表現である。FlexXやDockに代表されるドッキングプログラムでは、化合物のドッキング構造を生成しランク付けをするが、疎水相互作用の評価が一般に不十分である。これらのドッキング構造に対して、個々の原子がどの程度蛋白質・基質複合体とパッキングしているか考慮して、水素結合や疎水結合エネルギー等を再度見積もることにより、化合物ランキングの精度を向上させた手法である[10]。(6)のQM/MM法では、比較的少ない分子が対象ではあるが、計算精度の求められるリード化合物の最適化に適用されるようになると考えている。

Figure 3. Technology Value Chain for New Drug Research

In Silicoスクリーニングが、その真価を発揮している例を、具体的に示す。大阪大学ＮＰＯ法人バイオグリッドセンター関西の進めている創薬バリューチェーンプロジェクト[11]では、大阪府立大学、京都大学、産業技術総合研究所、富士通九州、日立東日本ソリューション、三井情報開発、日本電気の研究者が、機械学習法、データベース検索、分子シミュレーションなどの技術を連携させて、市販されている100万を越す化合物の中から実際に実験可能な1千から数百まで絞り込んで、ヒット化合物の探索に成果を上げている。創薬バリューチェーンにおける技術連携のイメージを、Figure 3に示す[12]。
この技術連携の特徴のひとつは、WET系とDRY系の緊密な連携である。In Silico技術においても、複数の研究グループが連携している点が注目される。この意味する所は、新薬開発においては、1研究機関の所有する技術だけでは不十分で、各研究機関が所有するレベルの高い技術を連携させることに、その本質があるということになる。
本創薬バリューチェーンプロジェクトは、文部科学省の知的クラスタプロジェクトの一環として、大阪大学を始めとして、複数の研究機関の参加を得て進められている。WET系の実験は主として、大阪大学が担当しているが、その結果を次に示す。
マラリアの阻害剤に関しては、100万化合物より、蛋白質の構造情報を用いて約7000個に絞り、さらに詳細な計算により上位150個まで絞込み、実際に購入をして実験した結果、15個の医薬品候補としての有力な化合物の探索に成功している。また、構造が未知である膜蛋白質 (守秘義務契約により物質は特定できないが) については、論文などで得られた既知化合物情報をヒントに、同様の絞込みを行い、130個の化合物を購入して、アフィニティに関する実験を行った所、論文で報告されている化合物の活性の1000倍、10倍の作用を示す化合物それぞれ1個と、同程度のもの26個の化合物が確認できている。100個程度の化合物についての実験でヒット化合物が見つかるのであれば、色々な標的蛋白質に対する阻害剤の発見が短時間で行えることになる。現在行われている創薬バリューチェーンでのIn Silicoスクリーニングとしては、Figure 2の(1)から(4)の技術に対応する手法が用いられている。　
このIn Silico技術は、今後数年程度で、どこの製薬企業でも使う実用的で汎用な技術になると考えている。このようにして選別されたヒット化合物の段階では、標的蛋白質に対する結合力が十分でなかったり副作用が強すぎたりして、薬としては不完全な場合が多い。次の課題は、これらの化合物の1部 (官能基) を置換して、薬としてよりよい化合物へ変化させる (リード化合物の構造最適化) ことであるが、ここにも分子シミュレーションが有効であろうと期待されている。

5 結論

参考文献