DrugCLIP 等の contrastive 仮想スクリーニングは、学習バッチ内の「他ポケットのリガンド」をネガティブペアとして使用する。しかし実際の DUD-E 等のベンチマークでは、ネガティブ（decoy）は同ポケットに結合しない類似構造であり、はるかに困難。
→ TTA（テストタイム適応）で各テストインスタンスにモデルを動的適応させる
Fine-grained（3種）:
Coarse-grained（2種）:
ALBM: top/middle/final 層特徴量の MLP で各 loss の重みを動的生成
| Benchmark | DrugCLIP AUROC | Drug-TTA AUROC | 改善 |
|---|---|---|---|
| DUD-E | 80.93% | 93.16% | +12.23% |
| LIT-PCBA | 57.17% | 71.24% | +14.07% |
| AD | 81.19% | 92.62% | +11.43% |
| DEKOIS 2.0 | 77.98% | 83.61% | +5.63% |
| CASF-2016 | 85.92% | 91.88% | +5.96% |
| 設定 | DUD-E AUROC |
|---|---|
| Drug-TTA（フル） | 93.16% |
| w/o meta-learning | 82.22% |
| w/o coarse-grained tasks | − |
| w/o fine-grained tasks | − |
| ALBM → fixed weight | 83.63% |
| ALBM → weight=1 | 71.13% |
| DrugCLIP（baseline） | 80.93% |
メタ学習と ALBM がともに重要な貢献
| 適用先 | ユースケース |
|---|---|
| lib/docking | UniDockRunner スコア後の TTA ベース reranker として実装 |
| lib/docking | ProLIFCalculator の接触 FP を補助タスク入力として活用 |
新規標的（ゼロショット）でのスクリーニング精度向上に特に有用。訓練時に見たことのない標的でも動的適応で精度維持。