DiffDec — Structure-Aware Scaffold Decoration with Diffusion Model

DiffDec: Structure-Aware Scaffold Decoration with an End-to-End Diffusion Model

EGNN + DDPM でポケット3D構造に条件付きR基生成（bioRxiv 2023 / J. Chem. Inf. Model. 2024, Xie & Yang et al.）

🎯 タンパク質ポケットの3D形状に適合したR基を、スキャフォールドを保ちながらend-to-endで生成する

① 背景と課題

リード最適化の中心的手法であるスキャフォールドデコレーションは、既存のコアを保ちながらR基を変更して薬理特性を改善する。しかし従来のSMILESベース法（LibINVENT等）は3D構造情報を無視し、EGNN自己回帰法（Pocket2Mol・FLAG）はエラー蓄積によりスキャフォールド保持が不安定。

LibINVENTは2D SMILES表現のみでポケット形状を考慮しない（Vina score最低）

Pocket2Mol/FLAGは自己回帰atom生成でエラー蓄積 → Recovery 4%/0%と不安定

→ 拡散モデルで全原子を同時生成し、スキャフォールド保持と3D構造意識を両立

② DiffDecアーキテクチャ

ポケット + スキャフォールド（コンテキストc, 固定）
↓
フェイクアトム付きR基をz_T（ガウスノイズ）に初期化
↓
EGNN（6層 EGCL, 128-dim, 4Å カットオフ）で逆拡散
↓
T=1000 ステップでε_t を予測しノイズ除去
↓
フェイクアトム除去 → RDKit分子として確定

② フェイクアトム機構

R基サイズ（最大10原子）の予測を別モジュールなしにend-to-endで実現する革新的機構。

従来アプローチ	DiffDecアプローチ
サイズ予測モジュール別途必要	フェイクアトムで10にパディング
2段階生成（サイズ→構造）	逆拡散で自然にサイズ確定
モジュール間誤差伝播リスク	end-to-endで誤差なし

③ 性能サマリー

Single recovery 69.67%（LibINVENT比 1.87倍）
Multi recovery 45.34%（LibINVENT比 1.69倍）
Validity 98%・Vina -8.25 kcal/mol が全指標最良
アンカー自動決定でも Recovery 60.67%を維持

④ Single R-group 比較

手法	Validity(%)	Recovery(%)	Vina(kcal/mol)
LibINVENT	87.35	37.33	-8.10
Pocket2Mol	51.14	4.00	-8.11
FLAG	87.95	0.00	-7.62
DiffDec	98.00	69.67	-8.25

④ Multi R-groups 比較

手法	Validity(%)	Recovery(%)	Vina(kcal/mol)
LibINVENT	8.62	26.85	-7.83
Pocket2Mol	60.90	1.34	-8.04
FLAG	88.18	0.00	-7.73
DiffDec	97.13	45.34	-8.19

④ High Affinity達成率

参照リガンドより高いVina scoreを持つ生成分子の割合

55.06%

Single R-group（参照超え割合、次点 44.18%）

40.50%

Multi R-groups（参照超え割合）

④ 限界点

SA Score等の合成アクセシビリティ評価が不足

Uniqueness 48.54%と多様性の向上余地あり

R基サイズ上限10原子（大型R基未対応）

CrossDockedデータセット特化の汎化性が不明

⑤ テイクホームメッセージ

🧩 スキャフォールド保持を保証
コンテキスト固定の拡散設計により、Validity 98%でスキャフォールドを確実に保持しながらR基を生成。

🏗️ フェイクアトム = end-to-end革新
サイズ予測を別モジュールなしに内包し、単一の拡散過程でサイズ・構造を同時決定。

🎯 Recovery 2倍で既存法を圧倒
CrossDockedベンチマークでLibINVENT比約2倍のRecoveryを達成。3D構造認識の明確な優位性を示す。

🔓 アンカー不要で実用化可能
アンカー自動決定モードでも高性能を維持し、実際の創薬プロジェクトへの直接適用が可能。

ケムインフォマティクスへの応用

適用先	ユースケース
lib/molgen	MolgenYaml + DiffDec でポケット条件付きR基最適化ループ
lib/docking	UniDockRunner でDiffDec生成分子をバッチ評価・フィルタリング
lib/fep	上位候補へMMGBSAEngineで相対ΔΔG評価

コード公開: github.com/biomed-AI/DiffDec

本研究のインパクト

3D構造意識型スキャフォールドデコレーションのSOTA確立
拡散モデルをリード最適化に適用した先駆的フレームワーク
UniDock + DiffDec 統合による自動リード最適化パイプライン構築の基盤