Elix, CBI2025,ランチョンセミナー,標的タンパク分解誘導薬開発へのAI活用：新たなMolecular Glue Degrader創出に向けて

Transcript

1. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー 標的タンパク分解誘導薬開発へのAI活用 新たなMolecular Glue Degrader創出に向けて CBI学会2025年大会 ランチョンセミナー 2025年10月28日 執行役員 兼 CSO 石田 祐 Any unauthorized reproduction or redistribution of this material is strictly prohibited.
2. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー ▪ 三者複合体構造とBoltz-2を活用した新規MGD生成 ▪ 最新のAI創薬手法に基づく標的タンパク特異的なMGD創出 ▪ まとめと今後の展望 本日の内容 2
3. Copyright © Elix, Inc. All rights reserved. 三者複合体構造とBoltz-2を活用した MGD生成の可能性 3
4. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー ▪ Molecular glue degrader(MGD): 次世代の注目モダリティ ◦ PROTACより分子量が低く、物性・DMPK面で優れる ◦ 広範な剤型への展開容易性は開発戦略上の強み ◦ グローバルでの大型提携が活発化 MGDへの高い注目と課題 4 Bioventure Pharma Year Upfront Total Monte Rosa Therapeutics Roche 2023 $50M Up to $2B Proxygen MSD 2023 Undisclosed Up to $2.55B Degron Therapeutics Takeda 2024 Undisclosed Up to $1.2B Neomorph Novo Nordisk 2024 Undisclosed Up to $1.46B Neomorph Biogen 2024 Undisclosed Up to $1.45B Maget Therapeutics Lilly 2025 $40M Up to $1.2B Neomorph AbbVie 2025 Undisclosed Up to $1.64B Orionis Bioscience Genentech 2025 $105M Up to $2B Kymera Therapeutics Gilead 2025 $85M Up to $2B Monte Rosa Therapeutics Novartis 2025 $120M Up to $5.7B ▪ 近年発表されたMGDに関連した共同研究契約 ▪ MGD創出における課題 ◦ 限られた新たなMGD創出手法 ◦ 極めて難易度の高い、特定の標的タンパクを分解するMGDの デザイン
5. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー 特定のタンパクを標的とするMGD創出の可能性 5 ▪ 生成AIによるde novoでのMGDデザイン ◦ 残念ながら、特定のタンパクを分解誘導するMGDを、生成AIにより 一からデザインすることは今のところ出来ない ◦ 現在の仮説では、MGDが標的とするタンパクとE3リガーゼの間には、 いわゆる『基底相互作用(basal interaction)』と呼ばれる何らかの相 互作用があると考えられている1 ◦ MGDはこれらの相互作用を増強し、平衡を三者複合体へとシフトさ せることで分解を誘導 ◦ よって、MGDにより誘導される三者複合体のコンフォメーションは 限られると考えられる 標的タンパクとE3リガーゼの組み合わせが分かっていれば、生成AIによ りMGDをデザインすることが可能なのでは？ ◦ 近年多くの三者複合体構造が報告されており、検討可能なタンパク は年々増えている 1 Hanzl, A. et al. Curr. Opin. Struct. Biol. 2025, 92, 103052. → 三者複合体構造を鋳型にした構造生成の可能性
6. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー ▪ DCAF15-RBM39 MGDs ◦ RBM39-リガンド-DCAF15-DDB1-DDA1複合体構造が複数のグループから発表されており、 構造情報が活用可能 ◦ 共結晶構造間の構造の揺らぎが少なく、生成モデルに用いやすい ◦ 構造活性相関に関しても特許や論文が多く公開されており、生成された構造の評価も可能 ▪ 構造生成の目的 ◦ 新規母核を持つRBM39–DCAF15 MGD候補化合物の取得 ▪ 構造生成モデル ◦ Elix-REINVENT (de novo) ▪ 適用した最適化条件（すべて乗算的） ◦ 化学的プロファイル: MW, clogP, PAINS filter ◦ ドッキング シミュレーション (Autodock Vina): ３種類 (PDB ID: 6API1, 6UD72, and 6SJ72) ◦ ファーマコフォアモデル: PDB ID: 6UD7 (右図) を元にマニュアルで作成 Elix Discovery によるMGD生成検討：DCAF15-RBM39 MGD 6 1 Du, X. et al. Structure, 2019, 27, 1625-1633. 2 Bussiere, D. E. et al. Nat. Chem. Biol. 2020, 16, 15-23. Indisulam DDB1ΔBPB DDA1 RBM39RRM2 DCAF15 Indisulam PDB ID: 6UD7
7. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー 生成化合物と対照化合物の散布図 7 Indisulam ◦ 総生成化合物数: 66,356 ◦ 生成された化合物の多くは対照化合物と同等、 あるいはそれ以上のドッキングスコアを示す ◦ 各種フィルタリングにより、 68化合物に選抜 E7820
8. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー 代表化合物のドッキングポーズ 8 Indisulam 1207606 3204275 Grey: indisulam (6UD7) Blue: 1207606 Grey: indisulam (6UD7) Purple: 3204275
9. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー Boltz-2 9 1 Abramson, J. et al. Nature 2024, 630, 493-500. 2 Wohlwend, J. et al. bioRxiv, 2024.11.19.624167. 3 Passaro, S. et al. bioRxiv, 2025.06.14.659707. ▪ Boltz-1はAphaFold3 (AF3)1に関する論文をベースに開発された、AF3類似タンパク質構造予測モデルの一つ2 ▪ AF3の前バージョンであるAlphaFold2と比較して、AF3とその類似モデルはタンパク―低分子化合物を含む様々な複合体構 造予測を新たにサポート ▪ 2025年6月にBoltz-1の新バージョンとしてBoltz-2がリリース3 ▪ Boltz-2はAF3と比較して以下の点で優れる ◦ オープンソース • Boltz-2 はMITライセンスであり、商用目的での利用も可能（AF3は商 用利用不可） ◦ リガンド親和性予測 • Boltz-2から新たにリガンド親和性予測スコアの算出をサポート • 予測スコアの精度はFEPに迫り、1000倍近い計算速度 Pearson correlation averaged over each assay on our four affinity value test sets. Error bars represent bootstrap estimates of the standard error.3 生成化合物の検証にBoltz-2を組み合わせることで、選定化合物の信頼性をより高めることが出来るのでは？
10. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー 構造予測モデル o モデル: Boltz-2 (ver 2.1.1) o MSA: MMseqs2から取得 Boltz-2を用いた複合体予測 10 ◦ どちらが正解構造か分からなくなるほど高い精度で、この複雑な複合 体 (RBM39RRM2-indisulam-DCAF15-DDB1ΔBPB-DDA1)を予測 Grey: 正解構造(PDB ID: 6UD7) Orange: Boltz-2による予測構造 Indisulam ▪ 結晶構造と予測構造の重ね合わせ
11. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー ▪ 1207606：２種類のコンフォメーション Boltz-2による予測構造とドッキングコンフォメーションの比較 11 ◦ 生成化合物のうちこれら２つの構 造は、ドッキングシミュレーショ ンから得られたポーズとBoltz-2に より予測されたポーズが比較的良 い一致 ◦ 3204275は分子内にスルホンアミ ド基を持たないが、それでも２つ のポーズは良い重なりが見られる ◦ Boltz-2による構造予測はドッキン グとは異なるアプローチであり、 選定化合物の信頼性向上の一助と なりうる ▪ 1化合物辺り15分程度で計算可能 (NVIDIA V100使用時) 1207606 オレンジ: Boltz-2予測構造 緑色: ドッキングポーズ (AutoDock Vina) ▪ 3204275：２種類のコンフォメーション 3204275 オレンジ: Boltz-2予測構造 緑色: ドッキングポーズ (AutoDock Vina)
12. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー 三者複合体予測におけるBoltz-2のリミテーション 12 ◦ Boltz-2から新たに搭載された親和性予測に関しては、構造情報が学習デー タに含まれていたとしても、三者複合体形成能に関する予測精度は低い ▪ Affinity probability binaryが低いが実験値のEC 50 が高い化合物であっても、構造 予測自体は高い精度で行われており、明らかに親和性予測モデル側の問題 緑色: indisulam (6UD7) マゼンタ: Compound 124 (WO2024/129634) グレー: DCAF15-RBM39 (6UD7) Indisulam Compound 124 ▪ 活性データ: RBM39-DCAF15 三者複合体形成能cell freeアッセ イ EC50 (TR-FRET) ◦ WO2024/039689 (Recursion Therapeutics, 118化合物) ◦ WO2024/129634 (Recursion Therapeutics, 76化合物) ▪ Affinity_probability binary: リガンドが標的に対するリガンド か否かの確率を予測した数値。0から1で表され、高いほどその 化合物がよりリガンドらしい ▪ Affinity_pred value: 標的に対する親和性予測スコア ▪ IC50 of 1.0 nM ⟶ -3 (強力なバインダー) ▪ IC50 of 1.0 µM ⟶ 0 (通常のヒット化合物相当) ▪ IC50 of 100 µM ⟶ 2 (弱いバインダーまたはノンスぺ) ▪ Affinity probability binaryとEC 50 の相関 ▪ Affinity pred valueとEC 50 の相関
13. Copyright © Elix, Inc. All rights reserved. 最新のAI創薬手法に基づく標的タンパク 特異的なMGD創出 13
14. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー ▪ 病的変異を起こす遺伝子挿入変異 ◦ 小児がんの一種であるmedullobrastoma (MB)やpineoblastomaでは、CUL3 E3リガーゼの一 種であるKBTBD4に対するgain-of –function mutationが見られる ◦ この変異により、transcription corepressorの一つであるCoREST複合体を分解誘導する ◦ 変異は基質認識部位中の特定の部位に集中し、またdeletionよりもindelが多い Genetic Molecular Glues 14 ▪ Genetic molecular glue ◦ 見いだされた変異型KBTBD4とCoRESTの複合体構造解 析（CryoEM）により、分解誘導のメカニズムを検証 ◦ KBTBD4 WTと構造を比較すると、2b-2c ループ部位が 変異挿入によりシフトし、HDAC1の基質認識部位に押 し込まれている ◦ KBTBD4-CoRESTに対するMGDとして見出されていた UM171と結合様式を比較すると、HDAC1と相互作用す るArg312側鎖はUM171作用部位と良い重なりを示す ◦ これらの変異はGenetic Molecular Glueとして機能 Xie, X. et al. Nature, 2025, 639, 241-249.
15. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー ▪ 標的特異的MGD創出に向けた仮説 ◦ 標的タンパクに1-2アミノ酸挿入変異を導入 ◦ 蛍光タグの発現量比較により、変異により発現量の下がっ た変異をNGSで同定 ◦ 変異タンパクを用いたIP Pull-downや、CRISPR-Cas9に よるKOスクリーニングにより責任E3リガーゼを同定 SBDDアプローチ ◦ X線結晶構造解析やCryoEMにより変異標的タンパクー責 任E3リガーゼの複合体構造を取得 ◦ 構造情報をベースにしたMGDデザインと合成展開 スクリーニングアプローチ ◦ 三者複合体形成を評価できるアッセイ系によるHTSや、 DELsスクリーニングなどによりヒット化合物を取得 ▪ スクリーニング系の構築難易度は高い 標的特異的MGD創出に向けた仮説 15 GFP mtPOI Transduce GFP+ GFP- Sort GFP+ GFP- Sequence IP Pull-down X-ray or CryoEM Design new MGDs SBDD approach Screening approach HTS campaign DELs screening CRISPR/Cas9 KO screening ポジコンが必要 高度なノウハウが 必要
16. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー ▪ ドッキングシミュレーションのin silicoスクリーニングへの適用 ◦ 三者複合体の形成はタンパク構造の大きな変化を引き起こす可能性 ◦ 溶媒露出面にあるフレキシブルな領域がアミノ酸挿入に適した部位になりやすい SBDDアプローチの課題 16 Grey: HDAC1 (8VRT) Green: KBTBD4 chain A (9DTQ) Red: KBTBD4 chain B (9DTQ) ▪ apoKBTBD4二量体のChain AとChain Bの重ね合わせ ◦ 同一のKBTBD4であっても、Chain AとChain Bの間に構造的な違い ◦ 特にChain Aでは、HDAC1の基質結合部位を塞いでしまっている 変異導入部位 HDAC1
17. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー ▪ “genetic molecular glues”に基づいたファーマコフォアモデル適用 ◦ 複数のgenetic molecular glue情報を組み合わせることが可能 ◦ 複合体形成による構造変化にある程度対応可能 ◦ ドッキングシミュレーションに比べて計算コストが少なく、複数の適用も十分可能 作業仮説 17 8VRT: Arg312 8VPQ: Tyr312 ▪ ファーマコフォアモデル作成方針 ◦ CryoEMによる三次元構造データのある２つのKBTBD4変異体と野生型との違い に基づき作成 ◦ 以下の理由に基づき、それぞれの変異体から２つのアミノ酸を選択: ▪ KBTBD4野生型と比較して、これらのアミノ酸位置は明確にシフト ▪ 片一方のアミノ酸残基はHDAC1の基質結合部位と相互作用 ▪ もう一方のアミノ酸はHDAC1のGlu99と近接 ⁃ 特にThr311(8VPQ)はGlu99と水素結合を形成 Wildtype (9DTQ) PR (8VRT) TTYML (8VPQ) 8VRT: Pro311 8VPQ: Thr311 HDAC1: Glu99 (8VRT) KBTBD4wt GGSIPRR GGSIPRPRR GGSTTYML
18. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー Elix Discovery によるDe Novo構造生成条件 18 ▪ 構造生成の目標 ◦ 変異KBTBD4-HDAC1複合体ならびに野生型KBTBD4(apo体)のみを用い、新規MGDをde novoで生成する ▪ 構造生成条件 ◦ ファーマコフォアモデル: 変異体KBTBD4とHDAC1の構造を元に作成 ◦ 構造生成モデル: Elix-REINVENT並びにSmilesFormer ◦ 構造生成試行回数: それぞれの生成条件ごとに３回 ▪ 報酬設定 ◦ 物性プロファイル(乗法的): 分子量, clogP, TPSA, HBA, HBD, 形式電化, 芳香環数, 最大環サイズ, 最大環系サイズ ◦ 部分構造フィルタ (乗法的): Elix v1.3 (MedChem Filters), Elix v1.3 (Intensive Filters) ◦ ファーマコフォア: ２種類 (PR変異ベース、並びにTTYML変異ベース)
19. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー ▪ KBTBD4 (PR): 8VRT Pharmitによるファーマコフォアモデル 19 ▪ KBTBD4 (TTYML): 8VPQ HDAC1 Arg312 Pro311 Tyr312 Thr311 HDAC1 White sphere: HBD Orange sphere: HBA Yellow cube: inclusive volume HDAC1 protein surface: exclusive volume White sphere: HBD Orange sphere: HBA Yellow cube: inclusive volume HDAC1 protein surface: exclusive volume ◦ 構造情報を有効活用するため、 Pharmit*を用いて排除体積 (exclusive volume)と包括体積 (inclusive volume)を含むファー マコフォアモデルを作成 * Koes, D. R. et al. J. Chem. Inf. Model, 2011, 51, 1307-1314.
20. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー 生成構造散布図 20 ▪ 生成構造 ◦ Elix-REINVENT: 4,589 ◦ SmilesFormer: 2,272 ◦ Total: 6,861 各種フィルタリングを適用することで、 最終的に27化合物を選抜
21. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー 代表化合物のドッキングポーズ 21 UM171 351-003606 351-005169 Green: 351-003606 Purple: UM171 (8VOJ) Green: 351-005169 Purple: UM171 (8VOJ) ID MW clogP TPSA HDAC1 [kcal/mol] KBTBD4-HDAC1 [kcal/mol] 351-003606 403.50 2.24 87.74 -7.0 -6.9 351-005169 419.50 2.37 97.83 -7.2 -7.1 UM171 453.55 3.57 123.22 -9.2 -8.8 ◦ ２７化合物中２５化合物は 右記の母核を保有
22. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー ▪ 構造情報取得に必要な人的・時間的リソースの問題 ◦ 標的タンパクと対応するE3リガーゼを発現精製し、構造解析まで行うには多くのリソースが必要 ▪ E3リガーゼには発現精製が難しいものも多く、大腸菌ではなく昆虫細胞などを使わないと取得できないものも見られる ◦ また精製タンパクを取得出来たとしても、立体構造が取得できるかはやってみないと分からない ▪ クライオ電顕の登場により成功確度は向上しているものの、依然として難易度は高い → 予測構造から構造生成を行うことは出来ないか？ Boltz-2によるKBTBD4 Kelch Repeat Motifsの構造予測 22 Green: Predicted Grey: Ground truth (9DTG) ▪ KBTBD4 Kelch Repeat Motifsの構造予測 ◦ Boltz-2の学習データカットオフ時点（2023年6月1 日）では、PDBにKBTBD4の構造情報は未登録 ◦ しかしながら、野生型KBTBD4 Kelch repeat motifの 構造予測に対してBoltz-2は高い精度を示す
23. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー ◦ 論文で報告されている、CoREST複合体の分解を誘導するその他の KBTBD4変異体に関して、Boltz-2を用い構造予測 ◦ それらを野生型の構造に重ね合わせたところ、変異の入った部位が同じ ように特定の領域へ張り出している様子が見える Boltz-2によるKBTBD4 Kelch Repeat Motifsの構造予測 23 Red: Predicted (GGSIPRPRR) Grey: Ground truth (8VRT) Blue: Predicted (GGSTTYML) Grey: Ground truth (8VPQ) Predicted structures Lime: GGSFPRR Purple: GGSIPPHVR Yellow: GGSIPPRR Pink: GGSIPRGR Red: GGSIPRPRR Blue: GGSTTYML Grey: WT ◦ さらに、CoREST複合体を分解誘導する KBTBD4活性型変異体も、CryoEMの構造と 良い一致 ▪ これらの構造もBoltz-2の学習データと して使われていない 活性型変異体の予測構造を用いることで、新規MGDの 構造生成が実施できる可能性
24. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー ▪ 当初の標的特異的MGD創出に向けた仮説 AIを活用した標的特異的MGD創出仮説 24 GFP mtPOI Transduce GFP+ GFP- Sort GFP+ GFP- Sequence Boltz-2による変異 部位構造予測 予測構造に基づいた ファーマコフォア作成 ファーマコフォアなどを報酬に 用いた、AIによる構造生成 各種プロパティやドッキングに よる候補化合物選定 実際に合成し活性を確認 ▪ AIを活用したMGD創出仮説 Elix Discovery の機能で実施可能
25. Copyright © Elix, Inc. All rights reserved. まとめと今後の展望 25
26. Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー まとめと今後の展望 26 ▪ 三者複合体構造とBoltz-2を活用したMGD生成の可能性 ◦ 構造情報があれば、構造生成モデルも検討する価値は十分にある ▪ 活性情報を用いるよりも、より新規構造を獲得できる可能性 ◦ MGD構造生成において、 Boltz-2などのタンパク構造予測モデルによる複合体予測をドッキングシミュレーションと 組み合わせることで、選抜された候補構造の信頼性向上の一助となりうる ▪ 最新のAI創薬手法に基づく標的タンパク特異的なMGD創出 ◦ １～２アミノ酸挿入変異のランダムな導入により、標的タンパクの“Genetic molecular glue”情報が得られる可能性 ◦ 見出された変異領域の自由度が高かったとしても、ファーマコフォアモデルを用いることで構造生成へと活用できる ◦ Boltz-2などのタンパク構造予測モデルを用いることで、実験的構造データが無かったとしても、構造生成に十分な精 度で活性変異体の三次元構造情報を取得できるかもしれない
27. Elix, Inc. https://elix-inc.com/ Copyright © Elix, Inc. All rights reserved. CBI学会2025年大会 ランチョンセミナー