DPS: 分布保持サンプリングで大規模仮想スクリーニングを1%で回す
Trachtenberg, Spelkov, Akabayov (Ben-Gurion Univ.) — RSC Advances 2026.04 | DOI: 10.1039/d6ra00279j | GitHub: github.com/csbarak/POC
🎯 KMeans+分位数ビン → Random Forest → 400K化合物を1%のドッキングで予測
→ lib/docking の UniDockRunner ML支援スクリーニングに実装
① 背景と課題：大規模VSの計算コスト問題

化合物ライブラリは10億分子規模に達し、全化合物をドッキングすることは多くのラボにとって計算資源・時間的に不可能。単純なランダムサンプリングで学習すると ML モデルの訓練セットが元の分布を代表しない問題が生じる。

400K化合物の全ドッキング：約1週間 (RTX 3080) — 小規模ラボには厳しい
ランダムサンプリングは化学多様性・活性分布を歪める可能性

→ スキャフォールドベースライブラリ × DPS で1%のドッキングから全体を予測

② DPS アルゴリズム
217個 RDKit 記述子計算
↓ 分散・相関フィルタ → 上位50記述子（相互情報量）
↓ KMeans(30クラスタ) — 化学的類似性でグループ化
↓ 各クラスタ内で50分位数ビン（活性レベル層別化）
↓ 各 cluster-bin から比例サンプリング（1〜10%）
↓ Random Forest (100 trees) 学習 → 全ライブラリ予測
③ スキャフォールド戦略の優位性
  • 2-フェニルチアゾール（NMR fragment hit）派生の413K化合物ライブラリを構築
  • スキャフォール制約 → 記述子分散が16桁低い（10¹¹ vs 多様ライブラリの10²⁷）
  • 内在次元が低い（90%分散説明: 51 vs 72主成分）→ 小サブセットで十分な代表性
  • RNA 標的（Hairpin 91）への応用：タンパク質標的にはない化学的焦点
④ 主な結果 (a) サブセットサイズ vs 予測精度
0 0.5 0.75 1.0 0.82 ~0.94 1% 5% 10% 25% 50% 75% DPS Random R² vs サブセット分画（スキャフォールドデータ）
④ 主な結果 (b) 計算コスト削減効果
1.5m 1% ~8m 5% ~15m 10% ~35m 25% ~60m 50% 105m 75% RF 学習時間（分）— 1% vs 75%: 70倍差 ★推奨 R²=0.82
④ 主な結果 (c) 主要数値サマリ
設定分子数R²RMSE学習時間
1% (DPS)~4,1000.820.471.5分
10% (DPS)~41,0000.89~0.44~15分
50% (DPS)~207K0.93~0.43~60分
75% (Random)~310K~0.94~0.42105分

1% → R²0.82: 精度は若干低いが計算コストは70倍削減。小規模ラボには最適解。

④ 主な結果 (d) 実装戦略・限界
  • lib/docking: UniDockRunner → DPS subset → RF predictor → 全ライブラリランキング の2段階パイプライン実装
  • lib/fep: RF 予測上位1%を MMGBSAEngine で精密評価する3段階戦略
  • GitHub: github.com/csbarak/POC にコード・データ公開済み
単一スキャフォールドのみで検証 — 多様なライブラリへの汎化は未確認
エンリッチメント指標（EF1%, BEDROC）の報告なし — ランキング実用性は要評価
DPS: Distribution-Preserved Sampling | Trachtenberg, Spelkov, Akabayov (Ben-Gurion Univ.) | RSC Advances 2026 | DOI: 10.1039/d6ra00279j | Category: machine_learning | GitHub: csbarak/POC