資産を築くための「バイオ株」と「バブル相場」のあれこれを勝手につぶやく投資サイト

Shiroshiroの投資ノート

そーせいグループ 研究

Sosei Heptares : Chris de Graaf氏によるタンパク質-リガンド構造予測 プレゼンテーション(全文・和訳)

AI4Proteins: Protein-Ligand Structure Prediction for GPCR Drug Design
発表者:Dr Chris De Graaf, Director, Heatd of Computational Chemistry Sosei Heptares
発表日:2021.07.16
会議:AI4Proteins: Protein Structure Prediction

全文・和訳

0015

Thank you for your patience. Thanks so happy to kick off after this standard disclaimer that I always have to show my company. So, the company SoseiHeptares has an R&D Center in Cambridge and headquarters in Tokyo and you should have discovered the difference and the different stages in Discovery with R&D Center really focusing on the early discovery and early development and late stage developments in Tokyo.

お待たせしました。私の会社を紹介する際に必ず必要となる、お決まりの免責事項を述べさせていただきます。SoseiHeptares社はケンブリッジにR&Dセンターがあり、東京に本社があります。R&Dセンターでは初期の発見、初期の開発、後期の開発に重点が置かれており、その違いや発見の段階の違いをご理解いただけると思います。

 

0046

As Chris already mentioned, we have a StaR technology that aims to identify combinations of point mutations in GPCR to thermo-stabilize them to make them amiable(x) amenable for structure-based drug design to really allow screening by a physics experiment and also structure determination and to use a structure interactive manner in a design process. And this has generated so far more than 70 different StaRs in different GPCR and different ligand bound states.

クリスがすでに述べたように、私たちはStaR技術を持っています。これは、GPCRの点変異の組み合わせを特定し、熱的に安定化させることで、構造に基づく薬物設計に適した状態にすることを目的としており(x)薬物設計が可能になるようにするもので、物理学的実験によるスクリーニングや構造決定を可能にし、設計プロセスにおいて構造との相互作用を利用することができます。これにより、これまでに70種類以上の異なるGPCRやリガンド結合状態のStaRを生み出してきました。

 

0122

And, it's truly a very exciting era to work on GPCR structure-based drug design. A lot of structures are being solved and also available in PDB. Many more also that we still have in-house some of those are being published once in a while. but it's a very nice coverage actually now and in the past. They say 10 years has really accelerated and really provide an view all these different small molecules and peptide and protein-link bind with this wonderful receptors. We really want to use the high-resolution of structures to optimize ligands which is really atom by atom optimization to identify possibilities to design polar context for example to improve properties but also the consideration of multiple structures is very important to anticipate the flexibility and selectivity a determinant. And, very important aspects of all these different structures and having axis to even more is that there are also a lot of very humbling experiences for computational chemists in prediction especially also the small molecule ligand binding modes. But we initially maybe thought that they are able to bind in sort of classical binding sites accessible from the extracellular range. And we now realize actually ligands bind all over the places that is a very important challenge in our efforts.

また、GPCRの構造に基づくドラッグデザインに取り組むには、非常にエキサイティングな時代になっています。多くの構造が解明され、PDBにも掲載されています。また、社内にはまだ多くの構造があり、そのうちのいくつかはたまに発表されていますが、現在も過去も非常に素晴らしいカバー率です。10年前に比べて本当に加速しており、様々な小分子やペプチド、タンパク質リンクがこの素晴らしい受容体に結合する様子を見ることができます。私たちは、構造の高解像度を利用してリガンドを最適化したいと考えています。それは、例えば特性を向上させるために極性のある構造を設計する可能性を特定するための、まさに原子ごとの最適化ですが、柔軟性や選択性を決定づける要因を予測するためには、複数の構造を考慮することも非常に重要です。そして、これらの異なる構造の非常に重要な側面と、さらに多くの軸を持つことは、計算化学者にとって、特に低分子リガンドの結合様式を予測する上で、非常に謙虚な(x) 謙遜してしまうような経験がたくさんあるということです。私たちは当初、リガンドは細胞外からアクセスできる古典的な結合部位に結合できると考えていました。しかし今では、実際にはリガンドはあらゆる場所に結合することがわかっており、これは我々の努力の中で非常に重要な課題となっています

 

0250

So, I would like to focus first on this aspect. We really focus the structure prediction elements really on the structure GPCR ligands interaction parts and then go into the importance of devils considering details in structure-based drug design and then at the end actually how can we combine all these this information from the structure point of view and from a pharmacological point of view to navigate this interested(x) interest across the GPCRome.

そこで、まずこの点に焦点を当ててみたいと思います。私たちは構造予測の要素をGPCRリガンドの相互作用の部分に焦点を当て、構造ベースのドラッグデザインにおける細部を考慮する悪魔の重要性に踏み込み、最後に実際に、構造的観点と薬理学的観点からのこれらの情報をすべて組み合わせて、GPCRome全体に興味を持ってもらえるようにナビゲートする方法を考えます。(x) この興味をGPCRomeの中へナビゲートします。

 

0320

Yes. So, maybe a little bit back to a competition in the GPCR field on predicting GPCR structures and GPCR ligand interaction was really at the era not that many structures available. And, crystallographer CXCR4 challenge all the GPCR models around the world to solve the structure bound to molecule ligands. Yeah, we had a sequence. We had few templates. We knew what the small molecule ligands look like. But, very importantly there was a lot of experimental data like for example they're simply summarized here mutation data and when you have a look at this mutation data that actually you can get to, you know, a sort of this simple hypothesis where you can imagine that positively charged groups in a molecule can interact negatively charged residues around the binding sites. But we were faced by a so-called so what I could say Mr. Bean dilemma. So, this is the episode that he goes to the dentist. He knocks out the dentist so he has to take care of it himself. And, he sees his X-lay and he starts drilling but then he realizes it actually can flip around the X-ray so then he starts drilling on the other side of his mouth. Then actually he finds out that there's another way to turn around X-ray. Finally he ends up trying a lot of different tooth drilling at the dentist. We were facing a similar dilemma here because we have sort of two four symmetry in the binding site and also symmetry in the ligand so the different way that its molecule can fit.

さて、少し話は戻りますが、GPCRの分野では、GPCRの構造やGPCRのリガンド相互作用を予測する競争が行われていましたが、当時はまだそれほど多くの構造が出回っていませんでした。 そして、CXCR4の結晶学者が世界中のGPCRモデルで、分子リガンドと結合した構造を解くように挑戦しました。 そう、私たちには配列があったのです。テンプレートはほとんどありませんでした。低分子のリガンドがどんなものかはわかっていました。しかし、非常に重要なのは、多くの実験データがあったことです。例えば、ここには簡単にまとめられた突然変異データがあり、この突然変異データを見てみると、分子内の正電荷の基が結合部位周辺の負電荷の残基と相互作用すると想像できるような、ある種の単純な仮説を得ることができます。しかし、私たちはいわゆる、Mr.ビーンのジレンマに直面しました。ミスタービーンが歯医者に行ったときのエピソードです。彼は歯医者をノックアウトしてしまったので、自分で治療しなければならなくなりました。そして、X線写真を見て、ドリルで穴を開け始めるのですが、X線写真を裏返すことができることに気づき、反対側の口に穴を開け始めるのです。そして、X線を反転させる別の方法があることを知ったのです。最終的には、歯医者さんでいろいろな歯の穴あけを試してみることになります。今回も同じようなジレンマに直面していました。というのも、結合部位には2つの4つの対称性があり、リガンドにも対称性があるので、分子の収まり方が違うのです。

 

0456

So that's what we did so we have the different experimental data. And, we couldn’t be very conclusive. So we propose different solutions and also look at SAR to try to at least optimize and prioritize if it would not be binding modes.

このようにして、異なる実験データを得ることができました。そして、あまり決定的な結果は得られませんでした。そこで、さまざまな解決策を提案するとともに、SAR(構造活性相関)を見て、少なくとも最適化を図り、結合モードでない場合には優先順位をつけるようにしました。

 

0512

And then, in the end, we were actually quite happy that at least one of our solutions was correct. But, we were surprised at we were actually the only who have predicted this binding mode, which at least key interactions with right residues was correctly predicted.

そして最終的には、少なくとも1つの解決策が正しかったということで、非常に満足しています。しかし、少なくとも重要な残基との相互作用が正しく予測されたこの結合様式を予測したのは、実は私たちだけだったことに驚きました。

 

0527

AAnd end up actually putting it in a broader perspective on these GPCR dock competitions, what we actually found out it that prediction the folds and overall team helical confirmation. Perhaps it's not such a big challenge especially now with more and more templates being available that harmonicas(x) homologous to GPCR which now structures we solved. What is really challenging is the prediction of the contacts(x) contexts, the prediction of the binding modes of the small molecule ligands which can be very challenging.

結局、GPCRのドッキングコンテストについて、より広い視野で考えてみると、実際に分かったのはフォールドの予測とらせん全体の確認でした。 GPCRと調和した構造(x) 相同な構造を持つテンプレートがどんどん出てきている現在では、それはそれほど大きな課題ではないかもしれません。本当に難しいのは、接触(x) コンテクスト(前後関係)の予測や、低分子リガンドの結合モードの予測で、これは非常に難しいことです。

 

0602

So, just to summarize the protein structure prediction. The helical folds are feasible. The loops are difficult to predict despite conserving a dozen of bridges. But, over for despite feasible, what is a very challenging is first of all predicting the binding sites. And, there are a lot of surprises and I continue to surprise in this area but also GPCR ligand binding mode predictions. And, I think Thomas mentioned earlier today. Binding site solvation is important, conformational changes, but also GPCR the role of the membrane lipids which is another standard think to consider at least in the initial construction of these receptors and complexes.

ということで、タンパク質の構造予測について、ちょっとまとめてみました。ヘリカルフォールド(らせんの折り畳み計上)は実現可能。ループは十数個の橋を保存しているにもかかわらず、予測するのは困難です。しかし、実現可能であるにもかかわらず、非常に困難なのは、まず結合部位の予測です。この分野だけでなく、GPCRリガンドの結合様式の予測についても、多くの驚きがあり、私自身も驚き続けています。今日、トーマスが言っていたと思いますが 結合部位の溶媒和は重要ですし、コンフォメーション(配置)の変化も重要です。また、GPCRの膜脂質の役割も、少なくともこれらの受容体や複合体を最初に構築する際に考慮すべき標準的な考え方です。

 

0641

Just an example of the case actually where to fold is very difficult to predict. An orphan GPCR where also supposed to binding mode and conformation were actually very challenging to predict.
一例を挙げると、実際には折り畳みの予測が非常に困難な場合があります。オーファンGPCRの場合、結合様式やコンフォメーションを予測することも実際には非常に困難でした。

 

0653

So now, dig into the details of the structure-based drug design. As so fully focusing on this part small changes atom by atom optimization steps and how we can use structures and computational approaches to achieve this.
さて、ここからは構造に基づく薬物設計の詳細に入ります。このように、この部分に完全に焦点を当てて、小さな変化を原子ごとに最適化するステップと、それを達成するために構造と計算アプローチをどのように使用できるかを説明します。

 

0710

A very important aspect here will be developing recipes together among the “Molecular Discovery” to analyze the binding sites and to identify lipophilic hotspots in the binding sites and drive binding and that also by displacing and rejecting unfavorable water molecules. And this is really an under-forgotten and under-represented aspect of the pharmacophore models and now looking at the multiple structures and looking at the ways the ligands actually align in those binding sites. We get a better view on the actual driving effectors of a GPCR ligand binding.
ここでの非常に重要な点は、結合部位を分析し、結合部位にある親油性のホットスポットを特定して結合を促進するためのレシピを、「Molecular Discovery」のメンバーと一緒に開発することです。これは、ファーマコフォアモデルの中でも特に忘れ去られていた側面であり、今では複数の構造を見て、リガンドが実際に結合部位に配置される方法を調べています。これにより、GPCRリガンド結合の実際の駆動エフェクターについて、より良い見解が得られます。

 

0751

Water molecules are very important. They determine a binding affinity, selectivity and kinetics. And there are several computational methods available now including “WaterFLAP” that using also water map. That aim on assessing the energetics of these networks and also to assess the way that ligands can modulate or influence these networks.
水分子は非常に重要です。水分子は、結合親和性、選択性、キネティックスを決定します。現在では、水のマップを利用した「WaterFLAP」など、いくつかの計算手法が利用可能です。その目的は、これらのネットワークのエネルギーを評価し、リガンドがこれらのネットワークを調節したり影響を与えたりする方法を評価することにあります。

 

0819

It’s really the protein binding sites far more complex than a shape illustrated here by the overlay of the different ligands in these receptors. And, it’s really these lipophilic hotspots that seem to drive the binding of all these different types of ligands across different types of GPCR.
タンパク質の結合部位は、形状よりもはるかに複雑で、受容体に含まれるさまざまなリガンドを重ね合わせて図示したものだと思います。そして、これらの親油性のホットスポットが、異なるタイプのGPCRのすべての異なるタイプのリガンドの結合を促進しているようです。

 

0843

One way to assess and to look at the APRIL protein(x) apoprotein is to look at what are the regions in the binding sites that can be targeted in the design of optimization of drugs to displace on a happy water. Another way to assess this to look at the way that the ligands influence the water network and some cases stabilize unhappy water molecules. And, 3rd ways to look at the compared of way at close relatives sectors like here adenosine a2a, one(x) a1 receptor very small changes and a shape, and properties of binding sites. can I have a dramatic effects on the water networks. In this case, a1 trapping an unhappy water molecule in this pocket which is not present in the a2a receptor explain the selectivity of this molecule for the a2a receptors.
APRILタンパク質(x) アポタンパク質を評価する一つの方法は、結合部位の中で、幸せな水に置換する薬剤の最適化設計でターゲットとなる領域はどこかを調べることです。もう一つの評価方法は、リガンドが水のネットワークに影響を与え、場合によっては不幸な水分子を安定化させる方法を見ることです。そして、3つ目の方法は、このアデノシンa2aのような近縁種のセクターでの方法の比較を見ることです。1つの受容体の非常に小さな変化と形状、結合部位の特性は、水のネットワークに劇的な影響を与えることができます。この場合、a1は、a2a受容体には存在しない不幸な水分子をこのポケットに捕捉することで、この分子のa2a受容体に対する選択性を説明することができます。

 

0938

Just to show the application of this view on a structure based drug design are going from an initial template where a long molecule is required and large molecules are required to the target of this site of the binding site. An opportunity to target another pockets in the a2a receptor identify the virtual screening and then after solving the crystal structure, and appreciate in the details of interactions to displace this unhappy water to really optimize and the features of this molecule and this is now the front running compound that is now collaboration to AstraZeneca has been developed now in immuno-oncology.
構造ベースのドラッグデザインにおけるこの見解の応用を示すと、長い分子が必要な初期のテンプレートから、結合部位のこのサイトをターゲットにするためには大きな分子が必要になります。A2A受容体の別のポケットを標的とする機会を得て、仮想スクリーニングを行い、結晶構造を解明した後、この不幸な水を置換するための相互作用の詳細を理解して、この分子の特徴を本当に最適化することができます。現在、AstraZeneca社との共同研究で、免疫腫瘍学分野で開発されている最先端の化合物です。

 

1021

Another example of the other importance of lipophilic hotspots and water networks is nicely illustrated by multiple olexin receptor crystal structures in PDB and also source in-house and published last year. If you look at the alignmental ligands and waters and any interactions, you actually realized that no polar interaction of hydrogen bond donar acceptor pharmacophore, not a lot of the conserves polar interactions directly with the residues. But, there are water mediate interactions are very important for binding modes prediction of these ligands in the binding sites and also subtle changes in the water network also in this case that can explain selectivity of a , in this case, EMPA molecules for OX2, first OX1 where unhappy water molecules is trapped in the binding sites.
親油性のホットスポットと水のネットワークの重要性を示すもう一つの例が、PDBや社内資料で昨年発表された複数のオレクシン受容体の結晶構造にうまく示されています。配置されたリガンドと水、そして相互作用を見てみると、水素結合ドナー・アクセプター・ファーマコフォアのような極性相互作用はなく、残基と直接極性相互作用を保存しているものはあまりないことがわかります。 しかし、水を介した相互作用は、リガンドの結合部位での結合様式を予測する上で非常に重要であり、また、水のネットワークの微妙な変化も、今回のケースでは、不幸な水分子が結合部位に閉じ込められているOX1から、OX2に対するEMPA分子の選択性を説明することができます。

 

1118

Taking the interesting devil’s in the details, one step further is the use of free energy perturbation approaches where we have been corroborating with which learning(x) Schrödinger to get a FEP approach to optimize that for GPCR structure-based drug design. A very important aspect here that the method should not be used directly out of the box without thinking automated manner. It’s really about the careful setup of the system, optimization of the system, step by step considering binding site solvation, membrane also, and sufficient sampling of the binding sites.
GPCRの構造に基づいた薬剤設計に最適なFEPアプローチを得るために、どのような学習をしたかを確認してきましたが、興味深い「悪魔の細部」をさらに一歩進めて、自由エネルギー摂動アプローチを使用しています。(x) 自由エネルギー摂動法(FEP法:結合シミュレーションのための計算手法の一種)を用いて、シュレーディンガーと協力してFEP法を確立し、GPCRの構造に基づく薬物設計に最適化しています。ここで非常に重要なことは、この手法を自動化を考えずにいきなり使うべきではないということです。慎重にシステムをセットアップし、システムを最適化し、結合部位の溶媒和、膜、結合部位の十分なサンプリングを段階的に考慮することが重要なのです。

 

1158

Here’s just initial steps showing how the GCMC setup is really important to identify at the start. The right ligand dependents binding site solvation to avoid, to optimize the model and get up correct ranking of meso-philic(x) experimental affinities for related ligands. And another aspects is also careful consideration of protonation state of residues in the binding sites are like as he study(x) histidine that the really influence is also that structure and complex as well as the standard ranking of different series in the FEP predictions.

ここでは、GCMC(グランドカノニカルモンテカルロ シミュレーション法)のセットアップがいかに最初に特定することが重要であるかを示す、最初のステップをご紹介します。モデルを最適化し、関連するリガンドの親和性の正しいランキングを得るために、避けるべき正しいリガンド依存の結合部位の溶媒和を示しています。また、もう一つの側面として、ヒスチジンのような(○)結合部位の残基のプロトン(陽電子)化状態を慎重に考慮することがあります。彼の研究によると(x)、FEP予測における異なる系列の標準的なランキングと同様に、構造と複合体にも影響を与えます。

 

1246

And, an overview of another application in-house anomalies in this case, another targets were actually the consideration of different tautomer states of the ligand was also really important. And, I have to be incorporated in the FEP, a thermal demographic cycle for extra-prediction as well as a ligand depends conformational changes.
また、別のアプリケーションの概要については、このケースでは社内での例外として、もう一つのターゲットは、リガンドの異なる互変異性体の状態を考慮することも非常に重要でした。また、リガンドに依存したコンフォメーション変化だけでなく、追加予測のための熱力学的サイクルをFEPに組み込まなければなりませんでした。

 

1306

So, another changing gear for the last theme of the presentation. So how can we now combine this wonderful new insight in GPCR ligand structure with pharmacological data and ligand information to extrapolate to this information to other receptors.
今回のプレゼンテーションの最後のテーマにギアをチェンジします。GPCRのリガンド構造に関するこの素晴らしい新しい知見を、薬理学的データやリガンドの情報と組み合わせて、他の受容体にこの情報を外挿するにはどうしたらよいか。

 

1328

And, how can we use especially also all these very surprising binding modes which have been very difficult to predict to other systems.
また、これまで予測が難しかった驚くべき結合モードを、他のシステムにどのように利用できるのかということです。

 

1340

A very simple way to do that is to look at ligand similarity and to use new insight into binding sites to classify the putative binding sites of ligands for a certain receptor or to combine with sequence analysis where sequence analysis in this case can use to highlights positions of residues in specific receptors that have a high entropy outside systemly, and low entropy insides a sort of a family highlight in potential binding sites.
非常に簡単な方法としては、リガンドの類似性を調べ、結合部位に関する新たな知見を利用して、ある受容体に対するリガンドの推定結合部位を分類したり、配列解析と組み合わせたりすることが挙げられます。この場合、配列解析は、特定の受容体の中で、システム的に外側のエントロピーが高く、内側のエントロピーが低い残基の位置をハイライトし、潜在的な結合部位のファミリーハイライトのような役割を果たします。

 

1415

For a experimental point of view, also the mapping of mutational effects in pharmacological experiments on the binding sites in combination with the binding mode prediction can be a very powerful approach to get to higher resolution GPCR ligands models and in this case StaR generation program often offer this binding site mutation maps can use in-house.
実験的な観点からは、薬理学的実験における結合部位の変異効果のマッピングと結合様式の予測を組み合わせることで、より高解像度のGPCRリガンドモデルを得ることができる。この場合、StaR生成プログラムは、しばしばこの結合部位の変異マップを提供し、社内で使用することができます。

 

1445

Description of the different binding sites using the GRID approach that dimension earlier is also way to compare binding sites with those that predict protein ligands interaction and look for to several presentation actually also in this area. And, we actually had initiated a collaboration with them ”Molecular Discovery” to look at GRID-base to the answer in this area.
先に述べたGRID(Molecular Discovery社のソフトウェア)アプローチを用いて異なる結合部位を記述することは、結合部位をタンパク質リガンド相互作用を予測するものと比較する方法でもあり、実際にこの分野でもいくつかの発表が行われています。そして、私たちは実際に彼ら「Molecular Discovery」とコラボレーションを開始し、この分野での答えをGRIDベースで探していました。

 

1512

Another message to actually reflects molection and experimental information to support GPCR ligand modeling approaches also to use this information for virtuous ligand screening so-called protein ligand interaction fingerprints which drives a simple interaction pattern a bit string from protein complex in the space from a crystal structure for example which can compare to the interaction bit strings of binding poses predict for other molecules to identify complete(x) chemically different molecules that can dock similar to binding mode.
もう一つのメッセージは、GPCRリガンドのモデリングアプローチをサポートするために、実際に選択と実験の情報を反映させ、この情報を好ましいリガンドのスクリーニングに使用することです。いわゆるタンパク質リガンド相互作用フィンガープリントと呼ばれるもので、これは、例えば結晶構造から得られる空間内のタンパク質複合体からの単純な相互作用パターンのビットストリングを駆動し、他の分子に対して予測される結合ポーズの相互作用ビットストリングと比較して、結合モードに類似したドッキングが可能な完全に(x) 化学的に異なる分子を特定することができます。

 

1558

And, looking at this approach have been successfully applied in several GPCRs achieving high virtuous screening hit rate in terms of experimentally validated the hits for several receptors as to described here. What is very important also is that this is really direct way using a binding mode information experimentally or binding mode hypothesis to that allow someone, if validated, also allows a quick optimization, efficient optimization of the ligand-based on the hypothesis.
そして、このアプローチは、いくつかのGPCRに適用され、実験的に検証されたヒット化合物に関しては、ここに記載されているように、高いバーチャルスクリーニングヒット率を達成しています。また、非常に重要なことは、実験的に得られた結合様式の情報や結合様式の仮説を用いた直接的な方法であり、それが検証されれば、その仮説に基づいてリガンドの最適化を迅速かつ効率的に行うことができるということです。

 

1638

So, lots of pieces of the work initiate collaboration with the University of Cambridge to combination of the new generative machine learning. AI approach is to generate molecules Denovo combining that with different computer drug design approaches of ligand-based and structure-based approaches. And, interestingly, this approach is also in the class of virtual screening, highly complementary in sampling different parts of chemical space and interestingly, also in this case, generating molecules that can be consistently docks in line with binding modes of zero for(x) ,therefore, non-active molecules.
ケンブリッジ大学との共同研究では、新しい生成的な機械学習とAIを組み合わせてDenovo(新たな構造の)分子を生成し、リガンドベースと構造ベースの異なるコンピュータドラッグデザインのアプローチと組み合わせることで、多くの成果を上げています。(x)
ケンブリッジ大学との共同研究を開始し、新しい生成的機械学習の組み合わせを行っています。AIのアプローチは、Denovo(新たな構造の)分子を生成し、それをリガンドベースや構造ベースといったさまざまなコンピュータドラッグデザインのアプローチと組み合わせるというものです。興味深いことに、このアプローチは仮想スクリーニングのクラスでもあり、化学空間のさまざまな部分をサンプリングする上で非常に相補的であり、興味深いことに、このケースでは、非活性分子の結合モードに沿って一貫してドッキングできる分子を生成することができます。

 

1726

So, that’s all what I want to share with you and I’m very happy to follow the discussion and perhaps sharing also experiences in the application of new messages in a prediction protein ligands interactions
以上が、私が皆さんと共有したいことです。議論に参加して、タンパク質リガンド相互作用の予測に新しいメッセージを適用した経験を共有できることを嬉しく思います。

 

なぜそーせいがいいの!?理由は「note」で好評発売中!

-そーせいグループ, 研究

Copyright© Shiroshiroの投資ノート , 2021 All Rights Reserved Powered by AFFINGER5.