ROSHAMBO2 — GPU-Accelerated 3D Shape+Color Alignment for Ultralarge VS

ROSHAMBO2: GPU-Accelerated 3D Shape+Color Alignment for Ultralarge VS

J. Chem. Inf. Model. 2025, 65, 9842 — Atwi, Farr, Wang, Antoszewski, Sciabola (Biogen)

🎯 Open-source で十億化合物 LBVS を可能にする 200倍高速 3D shape+color エンジン

① 背景と課題

3D shape/color similarity は ROCS など商用ツールが事実上の標準だが、ライセンスコストとブラックボックス性により再現研究や billion-scale LBVS の民主化を阻んでいる。原版 ROSHAMBO (MIT) は OSS の道を拓いたものの PAPER バックエンド由来の GPU 効率の限界と、color (薬理団) を post-hoc にしか評価しない設計上の制約により、Enamine REAL/WuXi GalaXi 規模の VS には届いていなかった。

原版 ROSHAMBO は shape 最適化後に color スコアリング (post-hoc)

SDF テキスト I/O が律速で、2000万 conformer の処理にスケールしない

商用 ROCS は性能十分だが OSS ではなく、academic/SME での導入障壁

→ C++/CUDA エンジン全面リライト + HDF5 padded array + in-memory server モードで 200倍高速化、shape+color 統合最適化を実現

② 手法: 3つのコア改善

C++/CUDA エンジン
各 atom-pair overlap を 1 GPU thread に割当 (massive parallelism)
Color = ダミー原子
Gaussian overlap 関数に直接統合
combined = λ·shape + (1-λ)·color
HDF5 padded array
固定サイズで GPU バッチ転送効率 10倍
In-memory server
GPU 常駐 + RPC で I/O 律速を排除

📦 SDF → HDF5 prep → GPU scoring → tanimoto_combo

③ アライメント目的関数

Pairwise Gaussian overlap (Grant et al.)

V_ij = p·(π/(a_i+a_j))^{3/2}·K_ij

K_ij = exp(-a_i·a_j·R_ij²/(a_i+a_j))

Combined optimization (NEW)

obj = λ·V_shape + (1-λ)·V_color

default λ=0.5, color = ダミー原子

原子半径は炭素で固定 (元素別 radius は将来予定)

④ DUDE-Z (43 ターゲット)

Mode	Mean EF1%	勝ち target
shape-only (旧)	6.3	10/43
combined (新)	9.1	30/43
同等	—	3/43

HDAC8/NRAM/ANDR/MAPK2 で EF1% > 20。イオン性 pharmacophore が active set に偏在するターゲットで特に効果が顕著。

⑤ LIT-PCBA (15 ターゲット)

Mode	Mean	Median
shape-only	2.88	1.65
color-only	2.36	0.99
combined	3.8	2.3

3D-favorable 8 ターゲット中 7 で combined が最高。MTORC1 のみ ROCS 優位、FEN1/VDR は ROSHAMBO2 優位。

⑥ Runtime ベンチ (LIT-PCBA 2000万 conformer)

Setup	GPU	Time
NFS, on-demand	1× Titan V	1 hr (I/O 16m + scoring 44m)
SSD, on-demand	1× RTX 4090	5m 30s
SSD, on-demand	2× RTX 4090	3m 30s
SSD, on-demand	4× RTX 4090	2m 48s
in-memory server	multi-GPU	原版比 200倍超

⑦ 限界・課題

原子半径=炭素固定 (ハロゲン/硫黄で過大評価リスク)

color SMARTS は default 固定 — metal/halogen bond は手動 JSON

target-dependent な λ チューニングを著者推奨

局所解に陥りやすく初期姿勢依存性は残る

active learning や iterative VS の評価は未実施

⑧ パイプラインへの統合方針

lib/docking/lbvs/roshambo2_runner.py として API/CLI ラッパーを追加
HDF5 prep ユーティリティを共通の conformer ライブラリ管理層へ統合
ProLIFCalculator (PLIF) と組合わせて pose 検証 + LBVS の二段階パイプライン化
tanimoto_combo を MMGBSAEngine の事前フィルタとして利用

⑨ Impact / 公開情報

商用 ROCS と同等の 3D shape+color 性能を MIT で提供
200倍高速化により Enamine REAL (60億) 級 VS が現実的に
HDF5 + server 設計はチーム間でライブラリ共有を促進
GitHub: molecularinformatics/roshambo2
License: MIT
依存: RDKit, h5py, CUDA