AI-Powered Virtual Screening: Accelerating Hit Identification in Large Chemical Libraries
Samuel Osei, B.Sc. | 2025 | Review Paper | Category: Machine Learning
🎯 CNN+GNN ハイブリッド深層学習で大規模化合物ライブラリのバーチャルスクリーニングを高速化——AUC 0.91・計算時間 60% 削減・ヒット検証率 82% を達成。
① 背景と課題

HTS（高スループットスクリーニング）は数百万化合物のバーチャル評価に多大な計算コストと時間を要し、スケーラビリティに限界がある。従来の分子ドッキングはスコアリング関数の精度に制約があり、偽陽性率が高い。

古典的スコアリング関数は非線形分子間相互作用を十分に捉えられない
特徴量エンジニアリング依存の ML（SVM/RF）は化学空間の汎化性能に限界
単独 CNN または GNN では空間的特徴と位相的特徴の両方を統合できない

→ CNN（3D空間）+ GNN（分子グラフ）のハイブリッドアーキテクチャが課題を解決。

② 手法: GNN 分岐
  • 分子をグラフ（原子=ノード、結合=エッジ）に変換
  • GIN/GAT でメッセージパッシング（3層）
  • 溶解度・毒性・薬物動態の位相的特徴を抽出
  • ChEMBL/ZINC で事前学習 → 転移学習で汎化
② 手法: CNN 分岐
  • タンパク質-リガンド複合体を 3D ボクセルに変換
  • 3D-CNN で空間的相互作用パターンを学習
  • 結合ポーズの幾何的整合性を捉える
  • MaxPool + AdaptiveAvgPool で次元圧縮

→ GNN・CNN 埋め込みを連結 → MLP で活性確率を予測

③ 本研究で示したこと
  • ハイブリッド CNN+GNN: AUC = 0.91
  • スクリーニング時間 60% 削減（vs 従来ドッキング）
  • 予測活性化合物の 82% がドッキングで検証済み
  • 予測ヒットの 70% 以上が構造的新規化合物
  • AI+ドッキング統合で結合エネルギーが有意に低下
④ 主な結果 (a) モデル性能比較
AUC-ROC スコア比較 0.72 SVM 0.80 CNN 0.84 GNN 0.91 Hybrid★ 0.0 0.5 1.0
④ 主な結果 (b) スクリーニング効率
スクリーニング時間・ヒット率 60% 削減 計算時間削減率 ヒット品質 82% ドッキング検証率 70% 構造新規性
④ 主な結果 (c) パイプライン統合
AI フィルタ
1000万化合物 → 上位10万に絞り込み（99%削減）
↓
ドッキング検証
AI上位10万化合物に限定 → 計算コスト1/100
↓
ヒット同定
82%の検証率・70%以上が構造新規
⑤ パイプライン応用と限界
  • lib/docking: AI プレフィルタで UniDockRunner の計算負荷を 1/100 に削減
  • lib/molgen: GNN エンコーダを MolgenYaml 報酬関数に組み込み
  • lib/fep: AI スコアで FEP 候補を事前絞り込み
学生論文のため独立した査読・再現性確認が未実施
産業規模ライブラリ・実スクリーニングキャンペーンでの検証が不足
ブラックボックス問題：XAI は補完的だが規制承認には不十分な場合も
AI-Powered Virtual Screening | Samuel Osei, B.Sc. | 2025 | custom:osei-2025-ai-powered-virtual-screening | Generated: 2026-05-06