リード化合物探索とインフォマティクス3.コスト・時間削減...
TRANSCRIPT
![Page 1: リード化合物探索とインフォマティクス3.コスト・時間削減 薬剤標的タンパク質 High Throughput Screening 実験的検証 リード化合物 = 薬剤候補](https://reader035.vdocuments.pub/reader035/viewer/2022081607/5f01fe067e708231d4020b0f/html5/thumbnails/1.jpg)
生命情報実験第一 (情報系)
「バイオインフォマティクスの道具箱」
「タンパク質化合物相互作用解析:
バーチャルスクリーニング」
慶應義塾大学生命情報学科
榊原康文,佐藤健吾
リード化合物探索とインフォマティクス
1.大量化合物の探索2.成功率向上3.コスト・時間削減
薬剤標的タンパク質
High Throughput Screening実験的検証
リード化合物= 薬剤候補
+ インフォマティクス
初期候補 実験的検証
![Page 2: リード化合物探索とインフォマティクス3.コスト・時間削減 薬剤標的タンパク質 High Throughput Screening 実験的検証 リード化合物 = 薬剤候補](https://reader035.vdocuments.pub/reader035/viewer/2022081607/5f01fe067e708231d4020b0f/html5/thumbnails/2.jpg)
コンピュータ上で予測
バーチャルスクリーニング
タンパク質 化合物
アミノ酸配列
立体構造
構造式
記述子
ペア
結合未知のタンパク質と化合物
結合予測
結合/非結合を予測2つの手法
ドッキング解析統計的手法を用いた予測
薬剤(低分子化合物)とターゲットタンパク質
(例)アスピリン (消炎鎮痛剤)
シクロオキシゲナーゼ 酵素(Cyclooxygenase)
アセチルサリチル酸(acetylsalicylic acid)
![Page 3: リード化合物探索とインフォマティクス3.コスト・時間削減 薬剤標的タンパク質 High Throughput Screening 実験的検証 リード化合物 = 薬剤候補](https://reader035.vdocuments.pub/reader035/viewer/2022081607/5f01fe067e708231d4020b0f/html5/thumbnails/3.jpg)
バーチャルスクリーニングによるリード化合物探索
手順:
リード化合物探索に利用可能なウエブツール等を用いて,化合
物がターゲットタンパク質に結合(相互作用)するか否かを
予測する
① 【統計的予測手法による網羅的結合予測】
タンパク質と化合物の相互作用を予測するウェブツール
COPICAT を使用して,与えられたタンパク質と化合物に対
して,結合するか否かの予測を行う
② 【ドッキング解析による予測の検証】 上記で結合すると予
測されたタンパク質と化合物のペアに対して,ドッキング解
析ツールであるAutoDock を用いて,その予測が物理化学
的(エネルギー的)に正しいことを確認する
バーチャルスクリーニングによるリード化合物探索
手順:
③ 【ドッキング解析のフィードバックと予測モデルの学習】
AutoDock のドッキング解析の結果から,COPICAT の結
合予測が正しくないと判断されたタンパク質化合物の情報
をCOPICAT にフィードバックして,再予測を行う.
具体的には,予測が正しくないと判断されたペアを学習
データに追加して,COPICAT の学習機能を用いて予測モ
デルを作成する.次に,この自ら作成した予測モデルを用
いて,再度,タンパク質と化合物に対して予測を行い,予測
がどのように変化したかを見る.
![Page 4: リード化合物探索とインフォマティクス3.コスト・時間削減 薬剤標的タンパク質 High Throughput Screening 実験的検証 リード化合物 = 薬剤候補](https://reader035.vdocuments.pub/reader035/viewer/2022081607/5f01fe067e708231d4020b0f/html5/thumbnails/4.jpg)
統計的予測システムの精度向上
AR結合予測化合物群
結合評価予測の誤りをフィードバック
予測システム 検証実験
in vitro スクリーニングin silico スクリーニング
ターゲットタンパク質
小分子化合物
統計的予測とフィードバック戦略
今回は,AUTODOCKによる検証
ドッキング解析と統計解析
ドッキング解析 (Structure Based Drug Design)
主鎖クーロンポテンシャル,van der Waals ポテンシャル
結合エネルギー
溶媒和エネルギー
標的酵素 薬剤候補
活性評価
分子設計利点: 根拠が明確
信頼性が高い
欠点: 立体構造が必要膨大な計算量・時間
![Page 5: リード化合物探索とインフォマティクス3.コスト・時間削減 薬剤標的タンパク質 High Throughput Screening 実験的検証 リード化合物 = 薬剤候補](https://reader035.vdocuments.pub/reader035/viewer/2022081607/5f01fe067e708231d4020b0f/html5/thumbnails/5.jpg)
「タンパク質-化合物間相互作用」の予測手法COPICAT
タンパク質
化合物
MSGLRTVSASSGNGKSY
TVDINGKKVKLQLWDTA
HANDEAQLLLVGNKSDM
QEKIDSNKLVGVGNGKE
アミノ酸配列 サポートベクターマシン (SVM)
入力データ:コーディング
結合する
クラス
結合しないクラス
結合予測
大量の結合データ
学習構造式
タンパク質化合物結合の予測手法の利点
本手法の特徴
A a
b
c
B
C
タンパク質: 化合物:
結合=薬剤-標的関係
統計モデル
タンパク質データベース
x網羅的標的タンパク質予測化合物
固定
化合物データベースY
網羅的結合リガンド予測
タンパク質固定
計算時間が高速 (1相互作用予測 0.3秒) vs ドッキング手法AUTODOCK 100分
(欠点)予測精度は,学習データに依存 結合部位が明示的には求まらない
本手法の利点
![Page 6: リード化合物探索とインフォマティクス3.コスト・時間削減 薬剤標的タンパク質 High Throughput Screening 実験的検証 リード化合物 = 薬剤候補](https://reader035.vdocuments.pub/reader035/viewer/2022081607/5f01fe067e708231d4020b0f/html5/thumbnails/6.jpg)
アンドロゲン受容体の立体構造
アンドロゲン受容体 化合物(アンドロゲン, DHT)
ARAR
AR
ARAR 悪性化
アンドロゲン
ARAR
AR
ARAR
アンドロゲンアンタゴニスト
×
前立腺がん細胞
前立腺がん細胞
activator
repressor
ホルモン治療
アンドロゲン受容体
アンドロゲンとアンドロゲンアンタゴニスト
![Page 7: リード化合物探索とインフォマティクス3.コスト・時間削減 薬剤標的タンパク質 High Throughput Screening 実験的検証 リード化合物 = 薬剤候補](https://reader035.vdocuments.pub/reader035/viewer/2022081607/5f01fe067e708231d4020b0f/html5/thumbnails/7.jpg)
網羅的結合リガンド予測
PubChem Compound 2,000万化合物
464化合物
標的タンパク質: Androgen Receptor (AR)(前立腺がんの原因遺伝子)
×
新規アンタゴニストの発見T5853872
タンパク質網羅的結合リガンド予測
化合物データベース
(Nagamine et al., PLoS comp. bio., 2009)
“ULTRA” High Throughput Virtual Screening
化合物情報の蓄積
PubChem
1億1800万~
ZINC
2000万~
化合物ライブラリー
数万~数十万
High Throughput Screening
リード化合物
化合物空間:1060~
ULTRA High Throughput Virtual Screening
網羅的予測
検証実験
( Bohacek et al., 1996 )
![Page 8: リード化合物探索とインフォマティクス3.コスト・時間削減 薬剤標的タンパク質 High Throughput Screening 実験的検証 リード化合物 = 薬剤候補](https://reader035.vdocuments.pub/reader035/viewer/2022081607/5f01fe067e708231d4020b0f/html5/thumbnails/8.jpg)
COPICAT:タンパク質化合物相互作用予測システム
URL: http://copicat.dna.bio.keio.ac.jp/
COPICAT:統計的相互作用予測システム
予測ジョブ投入画面:
![Page 9: リード化合物探索とインフォマティクス3.コスト・時間削減 薬剤標的タンパク質 High Throughput Screening 実験的検証 リード化合物 = 薬剤候補](https://reader035.vdocuments.pub/reader035/viewer/2022081607/5f01fe067e708231d4020b0f/html5/thumbnails/9.jpg)
COPICAT:統計的相互作用予測システム
予測結果画面:
PubChem, UniProtデータベースへのリンク
![Page 10: リード化合物探索とインフォマティクス3.コスト・時間削減 薬剤標的タンパク質 High Throughput Screening 実験的検証 リード化合物 = 薬剤候補](https://reader035.vdocuments.pub/reader035/viewer/2022081607/5f01fe067e708231d4020b0f/html5/thumbnails/10.jpg)
タンパク質配列立体構造のフォーマット
タンパク質情報:
Protein Data Bank (PDB) : タンパク質立体構造情報+ 複合体立体構造情報
化合物
PDB ファイル形式:
⋯⋯
⋯
タンパク質
化合物
UniProt : アミノ酸配列情報
HIV protease と阻害剤
indinavir の複合体)
> protein 1MSGLRTVSASSGNGKSYTVDINGKKVKLQLWDTA> protein 2HANDEAQLLLVGNKSDMQEKIDSNKLVGVGNGKE
FASTA形式:
⋯
⋯
化合物構造情報のフォーマット
データ形式:
sdf ファイル形式
座標
原子数結合数
化合物の(2次)構造式
![Page 11: リード化合物探索とインフォマティクス3.コスト・時間削減 薬剤標的タンパク質 High Throughput Screening 実験的検証 リード化合物 = 薬剤候補](https://reader035.vdocuments.pub/reader035/viewer/2022081607/5f01fe067e708231d4020b0f/html5/thumbnails/11.jpg)
有用なデータベース ①
化合物情報:
• KEGG (KEGG LIGAND, KEGG DRUG)
• PubChem (データ数:1億数千万~2億化合物)
入手可能な情報 (PubChem の場合)
• 構造情報 (sdf ファイル)• 物理化学特性値 (分子量, XLogP etc.)• SMILES• 類似化合物情報• バイオアッセイの結果• パスウェイ, 毒性等のデータベースへのリンクetc.
有用なデータベース ②
タンパク質-化合物結合情報:
• DrugBank - 薬剤とその標的タンパク質の情報
• GLIDA - GPCR の agonist/antagonist の情報
• Binding Database - (酵素中心) Ki 値 etc.
• PDSP Ki database - (受容体中心) Ki 値
阻害定数:
;平衡時, タンパク質濃度 ;平衡時, 阻害剤濃度
;平衡時, タンパク質-阻害剤複合体濃度
Ki 値が小さい (ex. pM) = 結合が極めて強い
![Page 12: リード化合物探索とインフォマティクス3.コスト・時間削減 薬剤標的タンパク質 High Throughput Screening 実験的検証 リード化合物 = 薬剤候補](https://reader035.vdocuments.pub/reader035/viewer/2022081607/5f01fe067e708231d4020b0f/html5/thumbnails/12.jpg)
AutoDock を用いたドッキング解析
特徴
– エネルギー計算 : 経験的スコア関数
– 配座探索 : 遺伝的アルゴリズム(GA),大域的&局所的探索
protein ligand
+ ・・・
候補
ツール : AutoDock
AutoDock を用いたドッキング解析
エネルギー計算
化合物の座標・形をランダムに変化させながら, より複合体のエネルギーが安定する位置・形態を求める
GA
GA
適応度地形
化合物のとり得る座標・形態
初期配置
出力結果
座標変化etc.
AutoDock の仕組み
![Page 13: リード化合物探索とインフォマティクス3.コスト・時間削減 薬剤標的タンパク質 High Throughput Screening 実験的検証 リード化合物 = 薬剤候補](https://reader035.vdocuments.pub/reader035/viewer/2022081607/5f01fe067e708231d4020b0f/html5/thumbnails/13.jpg)
AutoDock を用いたドッキング解析
複合体の自由エネルギー Gを近似式により計算
van der waals
水素結合
静電相互作用
脱溶媒和
エントロピー
統計的予測システムの精度向上
AR結合予測化合物群
結合評価予測の誤りをフィードバック
予測システム 検証実験
in vitro スクリーニングin silico スクリーニング
ターゲットタンパク質
小分子化合物
統計的予測とフィードバック戦略
今回は,AUTODOCKによる検証
![Page 14: リード化合物探索とインフォマティクス3.コスト・時間削減 薬剤標的タンパク質 High Throughput Screening 実験的検証 リード化合物 = 薬剤候補](https://reader035.vdocuments.pub/reader035/viewer/2022081607/5f01fe067e708231d4020b0f/html5/thumbnails/14.jpg)
レポート課題3
COPICATによる予測,AUTODOCKによる検証,フィードバックによる学習と再予測,の3つの演習を行う 実行結果画面の図を張り付けるなどして,考察する
フィードバックによる学習と再予測により予測の変化を見る
AutoDock のドッキング結果の解析から,結合情報を取得して,主要な情報の値(affinity 値など)を示す
それらの値がどのような物理化学的特性について意味しているのかを調べる
結合している化合物とタンパク質の位置関係について考察
結合予測に用いた化合物について調べる (ヒント)アンドロゲンレセプターに結合する化合物の探索
アンドロゲンの受容体と前立腺がんとの関係やその治療法であるホルモン治療について調べる
(発展)PubChemから,アンドロゲンレセプターに結合する可能性のある新しい化合物の発見を試みる