[論文レビュー] A Ligand-and-structure Dual-driven Deep Learning Method for the Discovery of Highly Potent GnRH1R Antagonist to treat Uterine Diseases

Song Li, Ke Song+6 more|arXiv (Cornell University)|Jul 23, 2022

Ferrocene Chemistry and Applications被引用数 4

ひとこと要約

本研究では、リガンドおよびタンパク質構造データを統合した二重駆動型ディープラーニングフレームワーク、LS-MolGenを提示する。この手法により、新規で高活性なGnRH1Rアンタゴニストが生成された。化合物5はサブナノモル級の活性（IC50 = 0.856 nM）を示し、望ましい薬物動態特性を有していた。これは子宮疾患治療におけるデ・ノボ薬物設計の強固なワークフローを示している。

ABSTRACT

Gonadotrophin-releasing hormone receptor (GnRH1R) is a promising therapeutic target for the treatment of uterine diseases. To date, several GnRH1R antagonists are available in clinical investigation without satisfying multiple property constraints. To fill this gap, we aim to develop a deep learning-based framework to facilitate the effective and efficient discovery of a new orally active small-molecule drug targeting GnRH1R with desirable properties. In the present work, a ligand-and-structure combined model, namely LS-MolGen, was firstly proposed for molecular generation by fully utilizing the information on the known active compounds and the structure of the target protein, which was demonstrated by its superior performance than ligand- or structure-based methods separately. Then, a in silico screening including activity prediction, ADMET evaluation, molecular docking and FEP calculation was conducted, where ~30,000 generated novel molecules were narrowed down to 8 for experimental synthesis and validation. In vitro and in vivo experiments showed that three of them exhibited potent inhibition activities (compound 5 IC50 = 0.856 nM, compound 6 IC50 = 0.901 nM, compound 7 IC50 = 2.54 nM) against GnRH1R, and compound 5 performed well in fundamental PK properties, such as half-life, oral bioavailability, and PPB, etc. We believed that the proposed ligand-and-structure combined molecular generative model and the whole computer-aided workflow can potentially be extended to similar tasks for de novo drug design or lead optimization.

研究の動機と目的

• 子宮疾患治療のための経口投与可能で、高活性かつ望ましい薬物様性を有するGnRH1Rアンタゴニストが不足しているという問題に対処すること。
• 従来のリガンドベースまたは構造ベースの薬物設計の限界を克服するため、分子および標的タンパク質の情報を統合すること。
• 最適化された活性およびADMETプロファイルを有する新規低分子を生成可能な生成型ディープラーニングモデルの開発。
• 上位候補のインシリコスクリーニング、実験的合成、およびインビトロ／インビボ評価を通じたワークフローの妥当性検証。

提案手法

• 既知の活性リガンドおよびGnRH1R標的タンパク質の3次元構造を統合的に符号化する条件付き生成モデル、LS-MolGenを提案。
• 分子グラフ（リガンド特徴）とプロテイン構造埋め込み（AlphaFold2または類似手法からのもの）の組み合わせを用いて、モデルを学習させ、分子生成を誘導。
• 活性予測、ADMETプロファイリング、分子ドッキング、および自由エネルギー変化（FEP）計算を用いたインシリコフィルタリングにより、候補を優先順位付け。
• 仮想スクリーニングの対象として約30,000の生成分子を対象とし、マルチパラメータ最適化に基づき8つの合成可能候補に絞り込んだ。
• 化学的新規性および薬物様性を保証するため、グラフニューラルネットワーク（GNN）および拡散ベース生成技術を用いた。
• 結合親和性予測の精緻化および生物学的試験の対象となる高精度候補の優先順位付けのため、FEP計算を統合。

実験結果

リサーチクエスチョン

• RQ1 リガンドおよびタンパク質構造データを統合したディープラーニングモデルは、優れた感受性および薬物様性を有する新規GnRH1Rアンタゴニストを生成できるか？
• RQ2 二重駆動型モデルは、リガンドのみまたは構造のみに依存する生成モデルと比較して、GnRH1R向け分子設計においてどのように性能を発揮するか？
• RQ3 どの生成化合物がインビトロで最高の感受性および望ましい薬物動態プロファイルを示すか？
• RQ4 提案されたワークフローは、サブナノモル級のIC50値および良好な経口生利用率を有するリード化合物を信頼性高く同定できるか？
• RQ5 FEPおよびADMET予測の組み込みは、リード同定の成功率をどの程度向上させるか？

主な発見

• 化合物5はインビトロアッセイにおいてGnRH1Rに対して最高の感受性を示し、IC50が0.856 nMであった。
• 化合物6はIC50が0.901 nMを示し、複数の候補において強い阻害活性が確認された。
• 化合物7はIC50が2.54 nMを示し、化合物5および6と比較してやや感受性が低下したが依然として高い阻害活性を示した。
• 化合物5は良好な薬物動態特性を示し、経口投与に適した半減期、高い経口生利用率、および中程度の血浆タンパク質結合（PPB）を有していた。
• LS-MolGenモデルは、リガンドのみまたは構造のみのベースラインと比較して、高い活性および薬物様性を有する分子の生成において優れた性能を示した。
• 統合されたインシリコワークフローにより、30,000の生成分子を、活性および安全性プロファイルに高い信頼性を有する8つの合成可能候補にまで絞り込むことに成功した。