UVAがAI拡散モデル「YuelDesign」を開発、タンパク質柔軟性を考慮した薬物設計でCDK2標的化に成功

IntuitionLabs アメリカ

概要

バージニア大学（UVA）チームが開発した「YuelDesign」フレームワークは、AI拡散モデルを用いてリガンド生成時にタンパク質の柔軟性を明示的にモデル化することで、構造ベースの薬物設計を大きく進歩させました。このアプローチは、タンパク質結合部位を静的ではなく動的に扱うことで、従来の多くのAI手法の主要な限界を克服します。CDK2のような挑戦的なターゲットでのベンチマークテストにより、YuelDesignが現実的な、柔軟なターゲットにより適した薬物候補を生成できることが実証されました。

詳細

主要成果

バージニア大学（UVA）の研究チームが開発した「YuelDesign」フレームワークは、AI拡散モデルを活用してタンパク質の柔軟性を薬物設計プロセスに組み込むことで、構造ベースの薬物設計に画期的な進歩をもたらしました。この手法は、タンパク質結合部位を動的な存在として捉え、従来のAIアプローチが抱えていた主要な限界を克服します。

技術・臨床詳細

YuelDesignの核心は、AI拡散モデルを使用してリガンドを生成する際に、標的タンパク質の結合部位が示す内在的な柔軟性を明示的に考慮する点にあります。従来の多くのAI創薬モデルでは、タンパク質の構造を静的なものとして扱い、結合ポケットの特定の形状に合うリガンドを設計していました。しかし、生体内ではタンパク質は常に動的に構造を変化させており、この柔軟性がリガンドとの結合に大きな影響を与えます。YuelDesignは、タンパク質結合部位の複数の可能なコンフォメーション（形状）を学習し、これらの動的な状態に最適に適合するリガンドを設計することができます。この能力は、特にアロステリック結合部位や、薬物によって誘導されるコンフォメーション変化を伴うターゲット（例：Gタンパク質共役受容体）に対して重要です。CDK2（サイクリン依存性キナーゼ2）のような、その柔軟性で知られる挑戦的なターゲットでのベンチマークテストにおいて、YuelDesignは既存の静的モデルと比較して、より現実的で機能的に優れた薬物候補を生成できることを明確に実証しました。これにより、初期の薬物候補の結合親和性と選択性が向上し、臨床開発へと進む可能性が高まります。

背景・業界文脈

構造ベースの薬物設計は、ターゲットの3D構造情報に基づいて薬物を設計する強力なアプローチですが、タンパク質の動的な性質を見過ごすことで、しばしば予測と現実の乖離が生じていました。AI、特に深層学習モデルはタンパク質構造予測（AlphaFoldなど）やリガンド生成において大きな進歩を遂げてきましたが、タンパク質の柔軟性を効率的かつ正確にモデリングすることは未解決の課題でした。YuelDesignのような革新的なフレームワークは、このギャップを埋め、より現実世界に近い条件で薬物設計を可能にすることで、AI創薬の成功率を向上させることが期待されます。これは、製薬業界がR&Dコストを削減し、新薬開発のスピードを加速させる上で極めて重要です。

今後の展望

YuelDesignのような、タンパク質柔軟性を考慮したAI駆動型薬物設計アプローチの登場は、創薬の未来を大きく変える可能性を秘めています。今後、このフレームワークは、より広範な疾患ターゲット、特に複雑な構造を持つ膜タンパク質やプロテイン-プロテイン相互作用阻害剤の設計に応用されることが期待されます。さらに、実験データとの統合を深め、AIモデルがリアルタイムで実験結果から学習し、設計プロセスを継続的に改善するアクティブラーニングサイクルへの発展も考えられます。これにより、AIが提供する分子候補の品質と多様性がさらに向上し、アンメットメディカルニーズに対する画期的な治療薬の開発が加速されるでしょう。最終的には、創薬の成功率を高め、患者が新しい治療法にアクセスするまでの時間を短縮することに貢献します。