DrugCLIP などの対比学習ベース仮想スクリーニングモデルは、タンパク質ポケットと低分子を共通の埋め込み空間に配置し、高スループットのリガンド検索を実現する。しかし「リガンド検索性能が高い＝正しいポケットを認識している」とは限らない。
→ 42標的・7クラスの薬物結合構造ベンチマークで DrugCLIP vs Fpocket+ESSA を定量比較
42ヒトタンパク質（PDB 結晶構造）の実験的リガンド結合ポケットを正解とし、DrugCLIP と Fpocket+ESSA の成功率を比較。
DrugCLIP の成功基準：取得リガンドが参照リガンドの重心から 4Å 以内に存在。
Fpocket+ESSA の成功基準：ESSA z-score（ENM 由来）ランキング上位5ポケット内に実験ポケットが含まれる。
DrugCLIP（対比学習）
タンパク質構造 → pocket encoder（Uni-Mol 基盤）→ 埋め込み空間 → 化合物との類似度でポケット認識
Fpocket + ESSA（従来法）
PDB 構造 → Fpocket（Voronoi 球）→ ポケット候補 → GNM/ANM で ESSA スコア → LHD フィルタ → 上位5ポケット
| 標的 | 薬剤 | 失敗原因 |
|---|---|---|
| KRAS G12C | Sotorasib | PPI界面・浅いポケット |
| CFTR | Ivacaftor | 膜内部チャネルポケット |
| TRPV1 | AMG517 | 膜貫通イオンチャネル |
| VMAT2 | Tetrabenazine | 輸送体膜内ポケット |
| SGLT2 | Dapagliflozin | 輸送体・構造変動大 |
失敗は全て「幾何学的に非典型」または「膜埋め込み」ポケット