Integrating Medicinal Chemist Expertise with Deep Learning for Automated Molecular Optimization
Liang, Yang, Wan, et al. — China Pharmaceutical University | J. Med. Chem. 2026, 69, 3609–3638 | DOI: 10.1021/acs.jmedchem.5c03746
🧬 JMC/EJMC 24年分から約9000件の専門家最適化戦略DB構築
GGNN+GRU MolOpt → AutoOptimizer でFGFR4: 77.6倍↑・HPK1: 51.6倍↑を実験確認
① 背景と課題

メディシナルケミストが行う分子最適化は豊富な専門知識（どの部分をどう変換するか）に依拠するが、既存のDLモデル（RNN・VAE・GAN）はこの専門知識を系統的に取り込めていなかった。高品質な専門家由来最適化戦略のデータベースが存在しないことが根本的課題だった。

26,682
収集論文数（JMC+EJMC 2000-2023）
~9,000
抽出した専門家最適化ペア
3
最適化戦略タイプ
データ不足・専門知識欠如→DLモデルが不合理・不安定な構造を生成するリスク。専門家知識の系統的組み込みが急務
② 手法: MolOpt + AutoOptimizer
Enamine DB（MMP算出）→ GGNN+GRU 事前学習
↓ ~9000件専門家ペアでファインチューニング → MolOpt
↓ 8000戦略サンプリング + 専門家DB統合
↓ AutoOptimizer: 3ラウンド反復最適化
↓ CPIScore → Glide HTVS → Glide SP → MM/GBSA
↓ 合成 → 実験評価

GGNN：4種エッジタイプ（単・二・三・芳香族）、入出エッジ分離、gated propagation。GRUで連続トークンエンコード。

③ 本研究で示したこと
  • 専門家最適化知識の初の系統的データベース（~9000件）を構築
  • Fine-tuned MolOptが事前学習のみモデルより高多様性・高CPIScore・高QEDを同時達成
  • M8（FGFR4, IC50=17.6nM）: スタート比77.6倍改善
  • M9（HPK1, IC50=46.5nM）: スタート比51.6倍改善
  • Fragment replacement（76.89%）がring change（16.52%）・bioisostere（6.59%）より圧倒的に多用される
④ 主な結果 (a) 専門家最適化戦略の分布（戦略タイプ別）
最適化戦略タイプの分布（N=8,992） 76.89% Fragment Replacement 16.52% Ring 6.59% Bio 最適化後の特性変化（Cpds2 vs Cpds1） MW ↑ QED ↑ SA ↓(改善)
④ 主な結果 (b) 実験検証 — FGFR4 & HPK1
活性改善倍率（スタート化合物比） 0x 25x 50x 80x 77.6倍 M8 FGFR4 17.6 nM 51.6倍 M9 HPK1 46.5 nM FGFR4阻害剤 HPK1阻害剤 （M8, 8化合物中最良） （M9, 6化合物中最良）
④ 主な結果 (c) Fine-tuned vs Pretrained MolOpt比較
指標PretrainedFine-tuned
構造多様性△（スタート類似）◎（高多様性）
QED スコア△○（改善）
CPIScore高値比率△◎（最適領域↑）
CPIScore×Docking 同時高値△◎
TPSA・cLogP 分布両モデルで類似（50-150Ų / 2-8）

ファインチューニングにより「活性高×ドッキング良×薬物様性高」の三要素を同時満たす化合物比率が顕著に増加

④ 主な結果 (d) 多段階スクリーニングパイプライン
AutoOptimizer スクリーニング絞り込み AutoOptimizer 3ラウンド出力（数千万件） CPIScore フィルタ top 10% Glide HTVS top 10% Glide SP top 10% MM/GBSA ΔGbind → 合成候補 14化合物 → 実験評価
⑤ テイクホームメッセージ
  • 24年・26,682論文から~9000件の専門家最適化DBを初構築 → GGNN+GRU MolOptのファインチューニング素材に
  • Fine-tuned MolOptは多様性・QED・CPIScore・Docking scoreを同時最適化した「最適領域」化合物を高比率で生成
  • FGFR4阻害剤M8（17.6nM, 77.6倍↑）・HPK1阻害剤M9（46.5nM, 51.6倍↑）を実験的に確認
  • Fragment replacement（76.89%）がメディシナルケミストの最主流戦略であることをデータ的に確認
⑤ ケムインフォ パイプラインへの統合提案

lib/molgen: MolOptのGGNN+GRUをJobManagerに統合。PyTorch Geometricで実装し、MolgenYamlにoptimization_strategy（fragment_replacement/ring_change/bioisostere）フィールドを追加。3ラウンド自動最適化をRDKit ReactionFromSmartsで代替実装。

lib/fep + lib/docking: AutoOptimizer出力をMMGBSAEngine + UniDockRunnerで多段階評価。CPIScore相当にはPDBbind学習済み公開モデル（DLiP・DeepDTA等）を活用。

未実装: GGNN+GRU JobManager統合・専門家最適化DB・CPIScore代替モデル統合・3ラウンドワークフロー
Liang L, Yang X, Wan B, et al. J. Med. Chem. 2026, 69, 3609–3638. DOI: 10.1021/acs.jmedchem.5c03746 | Category: machine_learning | Generated: 2026-05-18