VeGA: Versatile Generative Architecture for De Novo Molecular Design

VeGA: Versatile Generative Architecture for Bioactive Molecules across Multiple Therapeutic Targets

Delre & Lavecchia · DOI:10.1021/acs.jcim.5c01606 · J. Chem. Inf. Model. 2025, 65, 10918–10931

🎯 0.8Mパラメータの軽量Transformer。MOSESで有効率96.6%・新規性93.6%、スキャフォールド多様性はS4/R4を超える。77化合物のlow-dataでも機能。

① VeGAアーキテクチャ

Bayesian最適化（Optuna TPE）で決定したハイパーパラメータ採用。大規模モデルの1/10以下の規模で同等性能。

~0.8M

総パラメータ数（MolGPT 8.6M、LLaMol 15Mの1/10以下）

~20ms

推論速度（1分子・単一GPU）

4層 × 4ヘッド

Masked Self-Attention

dim=100 / FFN=300

Embedding / Feed-Forward

sin/cos固定位置エンコーディング（追加パラメータなし）

② MOSES + ChEMBLベンチマーク結果

指標	VeGA	S4	R4	MolGPT	CharRNN
有効率(%)	96.57	98.40	—	99.40	97.50
新規性(%)	93.60	88.10	—	79.70	84.20
ユニーク@1k	100.0	100.0	—	100.0	100.0
FCD Test	0.18	0.01	—	0.07	0.07

ChEMBL生成評価（スキャフォールド多様性）:

③ 5ターゲットfine-tuning評価（low-data対応）

Leakage-safe評価: Tanimoto≥0.6でholdout分子との重複を排除したRecovery Rate指標を採用

④ FXR事例研究

FXR（ファルネソイドX受容体）リガンド882化合物でfine-tuning後、新規候補分子を生成。GLIDEドッキング（PDB: 3DCT、SP精度）で結合ポテンシャルを検証。

0.81 Å

再ドッキングRMSD（プロトコル信頼性確認）

既知リガンドのスキャフォールドを超えた新規化合物で結合ポテンシャルを確認

⑤ lib/molgenへの統合提案

制限: 条件付き生成未対応。NP生成の有効率65%とやや低い。合成到達性は別途評価が必要。