創薬初期のバーチャルスクリーニング（VS）では、レセプター構造を使う SBVS と既知活性化合物の形状/ファーマコフォアを使う LBVS が相補的な情報源となる。しかし両者は別々のソフトウェア（AutoDock Vina、ROCS、Phase など）で運用されることが多く、エンジン間でスコアリング基準も座標系も異なるため、ハイブリッド戦略の構築には人手のパイプライン結合が必要だった。
→ SBVS・LBVS・Hybrid を同一 GPU カーネル上で動かし、参照リガンド情報をオンザフライでスコアに混ぜ込めば、早期濃縮と速度を同時に引き上げられるはず。
| 解析軸 | 計算内容 | 解釈 |
|---|---|---|
| 受容体場 | V_R(x) | レセプタ由来ポテンシャル |
| リガンド場 | V_L(x) | 参照ファーマコフォア |
| FFCA | cos(V_R, V_L) /格子点 | 補完性の高い空間領域を特定 |
| 相関 | FFCA × ドッキング精度 | 高補完領域で Hybrid 優位 |
SBVS・LBVS・Hybrid を 1 本の GPU カーネルにまとめたことが最大の貢献。座標系・スコアの整合が取れ、ハイブリッド戦略をユーザー側で自前実装する必要がなくなる。
L-J 様への置換で共役勾配最適化と整合。AutoDock-SS の再帰モデル時代と比べ EF1% が 2.42 倍に達した実装上の鍵。
Hybrid は既知活性化合物（参照）を要求する。完全 de novo の標的では SBVS 単独に頼るしかなく、運用フェーズの選択が必要。
1 GPU・1 日で数百万処理という指標は、Enamine REAL クラスのライブラリを単一ノードで回す現実解として機能する（GPU 型番は要追試）。