構造ベース創薬（SBDD）：標的の立体構造から分子を設計する
薬が効くとき、その分子はたいてい体の中のタンパク質の「くぼみ」にぴたりとはまり込んでいます。酵素の活性部位や受容体のポケットに小さな有機分子が結合し、その働きを止めたり変えたりする——これが低分子医薬のもっとも基本的な仕組みです。だとすれば、標的タンパク質のかたちを原子のレベルで先に見てしまえば、そこにはまる分子を狙って設計できるのではないか。この発想が構造ベース創薬（SBDD：Structure-Based Drug Design）です。
SBDDでは、まず標的タンパク質の立体構造を実験や計算で手に入れ、薬をはめ込みたいポケットの形・電荷・水素結合のしどころを読み解きます。そのうえで、そこに合う分子を計算機上で組み立て、実際に合成して結合や効き目を測り、構造を手がかりに少しずつ改良していきます。手当たり次第に化合物を試すのではなく、標的の「かたち」という地図を頼りに設計を進めるところが特徴です。
この記事では、標的構造をどう得るか（X線結晶解析・クライオ電子顕微鏡・NMR）から、結合ポケットの読み方、ドッキングや自由エネルギー計算といった計算手法、構造と活性の関係（SAR）を回す実務、そしてAlphaFoldに代表される構造予測の使いどころと限界までを、順を追って整理します。主眼は低分子ですが、抗体などほかのモダリティとの向き・不向きにも触れます。
SBDDとは何か ― 「かたち」を手がかりに分子を設計する
SBDDは、標的タンパク質の立体構造を出発点にして、そのポケットに合う分子を合理的に設計・最適化していく創薬のやり方です。
創薬のアプローチは大きく二つに分けられます。一つは、標的の構造を使わず、既知の活性化合物の化学的な特徴だけを手がかりにするリガンドベース創薬。もう一つが、標的そのものの立体構造を使うSBDDです。標的のかたちが分かっていれば、なぜある分子が結合し別の分子が結合しないのかを構造で説明でき、次に作るべき分子の方向性を立てやすくなります。
典型的なSBDDのサイクルは、次のように回ります。
| 段階 | 主な作業 | 得たいもの |
|---|---|---|
| 標的構造の取得 | X線・クライオEM・NMR・構造予測 | ポケットを含む立体構造 |
| ポケット解析 | 結合部位の形状・電荷・水素結合点を読む | 設計の手がかり（ファーマコフォア） |
| 分子設計・選抜 | ドッキング・自由エネルギー計算 | 有望な候補分子のリスト |
| 合成・評価 | 化合物を作り結合・活性を測定 | 実測の結合定数・活性値 |
| 構造で検証 | 標的と候補の複合体構造を解く | 予測とのずれ・次の改良点 |
重要なのは、これが一度きりでなく反復だという点です。設計した分子を作って測り、標的との複合体構造を解いて予測とのずれを確かめ、次の分子に反映する。この「設計→合成→評価→構造確認」のループを回す速さと精度が、SBDDの成否を分けます。
標的構造をどう得るか ― X線・クライオEM・NMR
標的の立体構造は主にX線結晶解析、クライオ電子顕微鏡（クライオEM）、NMRの三つで得られ、それぞれ得意な標的と限界が異なります。
X線結晶解析は、タンパク質を結晶にしてX線を当て、回折パターンから電子密度を復元して原子配置を求める方法です。長年SBDDの主役で、高い分解能で結合ポケットや水分子まで見えることが多く、実際に薬をはめた複合体構造を数多く解けるのが強みです。一方で、結晶をつくれること（結晶化）が前提になり、膜タンパク質のように結晶化が難しい標的では手が止まりやすいという弱点があります。
クライオEMは、試料を薄い氷の中に急速凍結し、電子顕微鏡で多数の粒子像を撮って計算で立体像を再構成する方法です。結晶をつくる必要がなく、以前は分解能が創薬用途に届きにくかったのですが、この十数年の技術革新（いわゆる「解像度革命」）で状況が変わりました。膜受容体や大きな複合体など、これまで構造を得にくかった標的でも、結合ポケットを設計に使える分解能で解けるケースが増え、GPCRなど創薬上重要な標的群で威力を発揮しています。
NMRは溶液中のタンパク質を扱えるため、結晶化が不要で、しかもタンパク質が動く様子（ダイナミクス）や弱い結合をとらえられます。比較的小さなタンパク質に向き、フラグメント（後述する小さな分子断片）が弱く結合する様子を検出するスクリーニングでもよく使われます。
三つの手法は競合ではなく補完関係です。結晶化しやすい可溶性酵素はX線、膜受容体や巨大複合体はクライオEM、弱い結合や動きを見たいときはNMR、と標的に応じて使い分けるのが実務の基本です。どの手法でも「薬をはめた状態」の複合体構造を得ることが、設計の精度を大きく左右します。
結合ポケットを読み解く ― 設計の手がかりを取り出す
構造が得られたら、ポケットの形・電荷分布・水素結合できる位置・水分子の居場所を読み、「どんな分子がはまるか」の要件を取り出します。
タンパク質のポケットは、単なる空洞ではありません。壁面には水素結合を受け渡しできる原子、正や負に帯電した領域、油に馴染む疎水的な面などが配置されています。良い薬分子は、これらの特徴と過不足なくかみ合うように設計されます。たとえば、ポケットの奥に水素結合の相手になる残基があれば、そこへ向けて水素結合できる官能基を配置し、疎水的な溝には疎水基を差し込む、といった具合です。
こうして取り出した「結合に必要な化学的特徴の配置」をファーマコフォアと呼びます。分子の骨格そのものではなく、水素結合供与体・受容体や疎水中心などの相対位置に注目した抽象的な設計図で、これに合致する分子を探したり組み立てたりする指針になります。
見落としやすいのが、ポケット内の水分子です。結合に不可欠な水もあれば、分子を近づけると押し出したほうが結合が強まる水もあり、この扱いが親和性の予測精度を左右します。また、タンパク質は静止画ではなく揺らいでおり、リガンドが来て初めてポケットが開くこともあります。単一の構造だけを鵜呑みにせず、揺らぎや複数の構造を意識することが、実測とのずれを減らすうえで効いてきます。
計算で候補を絞る ― ドッキングと自由エネルギー計算
計算手法は、多数の分子を高速に評価するドッキングと、少数の分子を高精度に比べる自由エネルギー計算に大別され、両者を段階的に使い分けます。
ドッキングは、標的ポケットに対して分子をさまざまな向き・かたちで置いてみて、うまくはまる配置（ポーズ）を探し、簡易なスコア関数で結合の良さを見積もる手法です。数百万規模の化合物ライブラリを計算機上でふるいにかけるバーチャルスクリーニングに使われ、実際に合成・試験する候補を絞り込みます。速さが最大の利点ですが、スコアはあくまで近似で、結合の強さを定量的に当てるには精度が足りないことも多く、順位づけの目安として捉えるのが現実的です。
より高精度に踏み込むのが、自由エネルギー計算です。なかでも自由エネルギー摂動（FEP：Free Energy Perturbation）は、分子動力学シミュレーションを用いて、よく似た二つの分子の結合自由エネルギーの差を物理法則に基づいて算出します。「この置換基を塩素からメチルに変えたら結合はどれだけ強くなるか」を、実験前に定量的に見積もれるのが魅力です。ただし計算コストが高く、設定にも相応の専門知識が要るため、ドッキングで絞った少数の有望候補を精査する段階で使うのが定石です。近年は機械学習を組み合わせて効率や精度を高める研究も進んでいます。
計算は「合成する前に外れを減らす」ための道具であって、実験の代わりではありません。ドッキングで広く絞り、FEPで狭く精査し、最後は必ず合成して測る——この役割分担を守ることが、計算に振り回されないコツです。
SARを回す ― 構造を見ながら分子を育てる
SBDDの実務は、構造活性相関（SAR）を構造情報とともに回し、初期のヒットやフラグメントを少しずつ薬らしい分子へ育てていく反復作業です。
構造活性相関（SAR：Structure-Activity Relationship）とは、分子の化学構造を少しずつ変えたときに活性がどう変わるかの対応関係のことです。SBDDでは、この対応を標的の複合体構造と突き合わせて解釈します。ある位置に置換基を足したら活性が上がった／下がったという結果を、「ポケットのこの隙間を埋めた／壁にぶつかった」と構造で読み解けるため、次にどこをどう変えるかの判断が具体的になります。
出発点の作り方には二つの流れがあります。一つは、ハイスループットスクリーニングなどで見つけたそれなりの活性を持つヒット化合物を起点に最適化する道。もう一つがフラグメントベース創薬で、分子量の小さな断片（フラグメント）をNMRやX線、表面プラズモン共鳴などで検出し、弱いながら確かに結合する断片を見つけて、構造を見ながら結合し合う断片をつないだり伸ばしたりして親和性を高めていきます。小さく単純な断片から出発するため、化学空間を効率よく探索できるのが利点です。
いずれの道でも、目指すのは結合の強さだけではありません。体内での安定性、溶けやすさ、細胞膜の通りやすさ、毒性の回避といった性質（まとめてADMET）を同時に満たす必要があり、これらは結合ポケットの外側の構造にも左右されます。SBDDは結合の設計に強い一方、薬全体としての性質は別の指標で管理する必要があり、複数の要求をにらみながら分子を仕上げていくことになります。
構造予測の活用と限界 ― AlphaFoldがもたらしたもの
AlphaFoldに代表される構造予測は、標的構造が得にくい場面での有力な出発点になりますが、そのままSBDDに使うには注意すべき限界があります。
タンパク質の立体構造を配列から予測する試みは長年の難問でしたが、2021年に発表されたAlphaFoldは、多くのタンパク質で実験に迫る精度の予測を可能にし、状況を大きく変えました。実験で解かれた構造を集めたProtein Data Bank（PDB）が長い年月をかけて蓄積した構造は約23万件規模ですが、AlphaFoldの予測構造データベースは2億件を超える規模に達しており、配列さえ分かれば構造の見当をつけられる時代になっています。
ただし、SBDDの観点では冷静に使いどころを見極める必要があります。第一に、予測構造は「リガンドが結合していない状態」の推定であり、薬をはめたときにポケットがどう変わるかまでは教えてくれません。結合の設計に直結する側鎖の細かな配置やポケットの動的な変化は、実験構造ほど信頼できないことがあります。第二に、予測の確からしさは領域によってばらつき、確信度の低い部分をポケット解析に使うと判断を誤りかねません。
現実的な使い方は、予測構造をあくまで出発点や仮説として扱い、重要な設計判断は実験構造で裏を取ることです。近年はタンパク質とリガンドの複合体を一緒に予測する手法も登場していますが、定量的な親和性の予測まで置き換えるものではなく、実験と計算を組み合わせる基本は変わりません。
なお、SBDDが主に威力を発揮するのは、ポケットに小分子がはまる低分子創薬です。抗体医薬はタンパク質表面の広い面で標的を認識するため設計の考え方が異なり、mRNA-LNPやAAV、siRNA/ASO、細胞治療といったモダリティは、そもそも標的ポケットへの結合を設計するという発想とは土俵が違います。SBDDは万能の枠組みではなく、「決まったポケットに合う分子を精密に設計したい」場面で最も力を発揮する道具だと捉えると、位置づけを見誤らずにすみます。
参考文献
- Saini M, Mehra N, Kumar G, Paul R, Kovács B. "Molecular and structure-based drug design: From theory to practice." Advances in Pharmacology. 2025.（SBDDの原理と手法の総説）PubMed（PMID: 40175038）
- Jumper J, Evans R, Pritzel A, et al. "Highly accurate protein structure prediction with AlphaFold." Nature. 2021;596(7873):583-589.（AlphaFoldの原著論文）PubMed（PMID: 34265844）
- RCSB Protein Data Bank（実験構造データベース。収録構造数を掲載）https://www.rcsb.org/
- AlphaFold Protein Structure Database（EMBL-EBI／Google DeepMind。予測構造データベース）https://alphafold.ebi.ac.uk/
- "Cryo-electron microscopy-based drug design." Frontiers in Molecular Biosciences. 2024.（クライオEMを用いた創薬の総説）https://www.frontiersin.org/journals/molecular-biosciences/articles/10.3389/fmolb.2024.1342179/full
