AutoLead: An LLM-Guided Bayesian Optimization Framework for Multi-Objective Lead Optimization
Zhang, Choong, Madhawa, Ozawa — J. Chem. Inf. Model. 2026 | DOI: 10.1021/acs.jcim.6c00148
🎯 LLMの化学推論×BO不確実性活用で多目的リード最適化 — 外部DB・特化チューニング不要でChatDrug(GPT-4o)を大幅上回る
① 背景と課題

リード最適化は溶解性・膜透過性・薬物様性などを同時最適化する複雑な多目的問題であり、創薬開発の主要ボトルネックの一つ。既存アプローチには以下の制限がある。

DrugAssist等のドメイン特化LLM: 大規模命令チューニングデータセットが必須
ChatDrug等の汎用LLM: 外部分子DBによる検索（RAG）依存 → 既知化学空間への探索が制限される
既存ベンチマーク: physicochemical記述子の直接計算に限定 → 実際のリード最適化シナリオ（Lipinski違反化合物の修正等）をカバーしない

→ 外部DBも特化チューニングも不要で、多目的制約を同時充足できるフレームワークが必要

② AutoLeadのワークフロー
s₀（初期SMILES）
↓ ϕ(s): 10次元正規化RDKit記述子 x∈[0,1]¹⁰
↓ [初期フェーズ: LLM直接編集で多様な分子を収集]
↓ τ=3点以上収集後: GP代理モデルを構築
↓ UCB獲得関数でx̂=argmax[μ(x)+√β·σ(x)]を探索
↓ x̂を自然言語プロンプトに変換
  「MW≈310 Da, logP≈3.5の分子を生成してください...」
↓ LLM（GPT-4o）→ SMILES生成（逆マッピングデコーダ）
↓ Tanimoto ≥ 0.4制約 + 目的関数評価
↓ GP更新 + Pareto前線更新
繰り返し（T=10イテレーション）

Transient hybrid: p_t=min(t/T,1)でBO使用確率が時間経過で増大

② 3つの核心設計
  • 記述子空間でのBO: 離散SMILES空間の直接最適化を回避。10次元連続空間でGP代理モデルが効率的に学習
  • LLM逆マッピングデコーダ: 記述子ベクトルを自然言語プロンプトに変換しLLMがSMILSEを生成。逆変換の計算不能問題を解決
  • Transient hybrid戦略: 初期の探索（LLM主導）→後期の活用（BO主導）への確率的移行でLLMの多様性とBOの精度を両立
3バリアント比較
LLMO（LLM専用）/ BOO（BO専用）/ HO（ハイブリッド）でどの組み合わせが有効かを体系的に分析
④ 主要結果 (a) ChatDrug-200 多目的タスク成功率
0% 25% 50% 75% 76.8% 3.3% logP- HBD+ Δ=0.5-1 20.0% 0.2% logP+ HBA+ Δ=0.5-1 72.0% 0.8% logP- HBA+ [DrugAssist] 70.7% 4.2% HBD+ Δ=1 [DrugAssist] AutoLead-HO ChatDrug (GPT-4o) 成功率 (%)

多目的タスクの厳格閾値（Δ=0.5-1）でAutoLead-HOが10〜100倍の成功率を達成

④ 主要結果 (b) LipinskiFix-1000（新ベンチマーク）
0% 10% 20% 30% 11.5% ~15% ~20% ~22% ~26% 28.9% Random CD-3.5 CD-4o LLMO BO HO LipinskiFix-1000 成功率 Lipinski準拠+QED最大化の同時達成率
④ 主要結果 (c) ベンチマーク比較サマリー
タスク / 閾値AutoLead-HOChatDrug-GPT4o倍率
logP- HBD+ (Δ=0.5-1)76.8%3.3%×23
logP+ HBA+ (Δ=0.5-1)20.0%0.2%×100
logP- HBA+ Δ=1 [DA500]72.0%0.8%×90
HBD+ Δ=1 [DA500]70.7%4.2%×17
LipinskiFix-100028.9%~20%+44%

特に複数プロパティの厳格閾値同時充足タスクでBO exploitationの効果が顕著

T=10 イテレーション
各分子の最大最適化ラウンド数（τ=3到達後にBO起動）
④ 主要結果 (d) Transient Hybrid戦略の効果
0 0.5 1.0 1 2 3 4 5 6 7 8 9 τ=3 BO起動 LLM主導 探索フェーズ BO主導 活用フェーズ BO使用確率 p_t = min(t/T, 1) イテレーション番号 t（T=10）

初期（t≤τ=3）はLLMが多様な分子を収集してGPを初期化、後期はGPが提案点を主導。

⑤ 限界・残る議論
LLM API呼び出し依存（GPT-4o）— 大規模キャンペーンでのコストが課題
GP逆マッピングはあくまで近似 — 記述子空間の最適点が化学的に実現可能とは限らない
Tanimoto≥0.4制約で大胆なスキャフォールドホッピングが制限される
評価がphysicochemical記述子に限定 — 結合親和性・ADMET等の生物学的エンドポイントへの適用は未検証
公開コード不明（GitHubリンク未掲載）
⑥ lib/molgenへの統合提案
  • MolgenYamlのスコアラーとしてAutoLeadのBO-LLMループを統合 — 現状の単純探索をGP不確実性aware exploitationに置き換え
  • UniDockRunnerのドッキングスコアをGP目的関数として使用し、少数計算（20-50回）でGP代理モデルを構築する効率的active learningループを実装
  • MMGBSAEngineの計算結果でGPを更新し、LLM生成候補を効率的に絞り込む計算コスト削減パイプラインへの応用
  • LipinskiFix-1000をlib/molgenの標準ベンチマークとして組み込み、最適化アルゴリズムの評価基盤として活用
⑦ 手法詳細・実装情報

記述子空間 (10次元): MW, logP, tPSA, HBD, HBA, rotatable bonds, ring count, aromatic rings, saturated rings, sp3 fraction（全て[0,1]正規化）

GPハイパーパラメータ: RBFカーネル、UCB β=2.0（実装詳細はSI）

プロンプトテンプレート: Supporting Data（SI）に公開

LipinskiFix-1000: HiQBindから再現可能（MW≤800, QED≥0.1, logP≤8, ≤50 heavy atoms, RO5違反1条件以上）

X要約: AutoLead: LLM+ベイズ最適化で多目的リード最適化。ChatDrug-200でChatDrug(GPT4o)比最大100倍の成功率。新ベンチマークLipinskiFix-1000で28.9%。外部DB・特化チューニング不要 #DrugDiscovery

DOI: 10.1021/acs.jcim.6c00148 | J. Chem. Inf. Model. 2026 | Zhang, Choong, Madhawa, Ozawa | 生成: 2026-05-11