Drug Discovery and Computational Chemistry: A State-of-the-Art Review

CADD全手法の俯瞰整理 — 古典物理ベース〜最新AI統合まで（ChemistrySelect 2026, Prajapati, Kachhadiya, Patel）

🎯 SBDD・MD・FEP・GNN・生成AIを統合し、天然物抗がん剤発見を加速するCADDの現在地を俯瞰する

① 背景: なぜ計算化学が不可欠か

現代の創薬は費用・時間・失敗率の三重苦に直面している。1剤あたり平均26億ドル、臨床試験では90%が失敗する。計算化学はこの課題に対する「バーチャルショートカット」として機能し、実験前に膨大な化合物ライブラリを絞り込み、リード最適化を効率化する。

90% の臨床試験が失敗 — 早期での計算的ふるい分けが唯一の経済的解決策

AlphaFold2登場で未解決標的（膜タンパク質・多量体）の構造が急増し、SBDDの応用範囲が拡大

→ 古典CADD × 最新AI の統合パイプラインが次世代標準へ

② CADD手法ロードマップ

【SBDD】構造あり: ホモロジーモデリング→ポケット検出→ドッキング
↕ 相補
【LBDD】構造なし: QSAR・薬効団モデリング・フィンガープリント
↓ 精密化
【MD・FEP】動的挙動・結合自由エネルギー計算
↓ 統合
【AI/ML】GNN・生成モデル（VAE/GAN/拡散）・Transformer

③ 手法別コスト・精度マトリックス

手法	計算コスト	主目的	主出力
分子ドッキング	Low	ヒット同定	ΔGest / ポーズ
QSAR	Low-Mid	活性予測	pIC50/ADMET
MD	High	配座安定性	RMSD / トラジェクトリ
FEP	Very High	精密ΔG推定	相対/絶対ΔG
生成AI（VAE等）	High	de novo設計	新規化合物

④ 主要結果 (a) 古典vs AI手法の相補性

ドッキングと MD は「静的 vs 動的」の相補的評価として機能する

④ 主要結果 (b) AI手法の3分類

創薬AI手法の3カテゴリ別整理

④ 主要結果 (c) 天然物創薬統合ワークフロー

論文が推奨する4段階パイプライン

Step 1 ネットワーク薬理学
  → マルチターゲット（ハブノード）特定
Step 2 ドッキング（UniDock等）
  → 天然物ライブラリから初期バインダーを絞込み
Step 3 MD（GROMACS等）
  → 結合安定性・配座変化を検証
Step 4 ADMET（in silico）
  → 毒性・代謝・膜透過を予測

④ 主要結果 (d) 課題と将来展望

課題	将来の方向性
データ品質・偏り	標準化・オープンデータ整備
モデル解釈可能性	XAI統合・規制対応
計算コスト	GPU最適化・量子コンピューティング
多疾患・多標的設計	ネットワーク薬理学×AI
膜タンパク・PPI	AlphaFold2活用・長時間MD

⑤ テイクホームメッセージ

🏗️ 古典CADDとAIの統合が標準へ
ドッキング→MD→FEPという物理ベース手法とGNN/生成モデルは相補的。ハイブリッドパイプラインが次世代の標準的アプローチとなる。

🌿 天然物創薬にCADDが有効
ネットワーク薬理学→ドッキング→MD→ADMET統合で、がん治療における天然物マルチターゲット候補の探索を効率化。

🔍 XAIで解釈可能性を確保
GNN・生成AIの予測をSHAP/LIMEで可視化し、規制対応・研究者との対話を可能にすることが今後の実用化の鍵。

⚛️ 量子コンピューティングが次の変曲点
現状はまだ初期段階だが、量子精度の分子シミュレーションが実用化されれば創薬精度に革命が起きる可能性がある。

ケムインフォマティクスへの応用

適用先	ユースケース
lib/docking	ネットワーク薬理学+マルチターゲットドッキング
lib/fep	Delta-ML補正でMMGBSAを精度向上
lib/docking	XAI（SHAP）統合QSARスコアラー追加
lib/molgen	天然物化合物ライブラリ特化フィルタ

教育・入門用途として全体像把握に最適なレビュー

本研究のインパクト

CADD全手法（古典〜AI）の統合俯瞰: 入門・教育向けに最適
天然物抗がん剤発見へのCADD応用ワークフロー提示
データ品質・XAI・量子コンピューティングという3大将来課題を整理
AI × 物理ベースハイブリッドパイプラインの必要性を強調