Advances in Molecular Docking Methodologies
古典手法〜生成AI まで体系的レビュー（Preprints.org 2026, Grigorenko & Novikov, ITMO / HSE 大学）
🎯 古典 × AI ハイブリッドパイプラインが最適解 — AI 速度＋古典の物理的厳密性を統合して次世代 HTVS を構築する
① 背景と課題

分子ドッキングは構造ベース創薬（SBDD）の中核手法。30年以上、古典的力場 + 経験的スコアリング関数で実用を支えてきたが、タンパク質柔軟性の指数的な自由度増大が大規模スクリーニングの本質的な限界を生んでいた。

古典スコアリング関数の線形性 — 非線形量子効果・エントロピー変化を無視
AIモデルの物理的不整合ポーズ — PoseBusters/Bento/NextTopDocker が構造的弱点を暴露
受容体柔軟性の計算コスト — rigid body 近似が cross-docking 精度の壁

→ 古典・ML・生成AI の 3 世代を独立ベンチマークで定量比較し、ハイブリッドパイプライン設計指針を提示

② 手法: 3世代のドッキング進化
【第1世代】古典プラットフォーム
AutoDock Vina / Glide / GOLD
確率的探索 + 経験的スコアリング
↓
【第2世代】ML ハイブリッド
GNINA (3D-CNN) / ArtiDock
ポーズ生成(古典) + 再スコアリング(ML)
↓
【第3世代】E2E 生成 AI
DiffDock (拡散) / AlphaFold 3 (co-folding)
原子座標直接予測・ブラインドドッキング
② 手法: HTVS インフラ
ツールスケール特徴
EasyDockVinaローカルGUI、100+ フォーマット
EasyDockクラスターDask + SQLite、640コア
22 min
EasyDock: 5,000化合物 / 640コア

SMILES→3D生成→脱塩→互変異体(pH7.4)→SQLiteアトミック保存で耐障害性を実現

③ 受容体柔軟性モデリング
  • DynamicBind: 等変拡散、apo→holo変化・クリプティックポケット検出
  • FABFlex (2025): 3段階分離でDynamicBind比208倍高速、精度↑
  • AlphaFold 3: co-folding、全原子座標直接予測（hit-to-lead精密ツール）
  • 特殊モダリティ: 共有結合(CarsiDock-Cov), ペプチド(DiffPepDock), 金属(MetalloDock), 大環状(Macro-Hop)
④ 主な結果 (a) PoseBusters ベンチマーク

物理的不整合ポーズ（原子衝突など）の発生率

30% 20% 10% 0% 2-3% 古典手法 ~8% ML ハイブリッド ~20-25% 生成 AI 物理的不整合ポーズ発生率（低いほど良い）
④ 主な結果 (b) ArtiDock vs 古典手法

現実的条件下（apo構造・結合部位水分子）でのポーズ精度

0 +20% +40% Vina 基準 (0%) Glide +5% GNINA +15% ArtiDock +29-38% 古典手法比ポーズ精度向上
④ 主な結果 (c) 速度比較

DynamicBind vs FABFlex（受容体柔軟性ドッキング）

1× 10× 100× 1000× 1× DynamicBind 208× FABFlex 208倍高速
④ 主な結果 (d) ベンチマーク危機

NextTopDockerの衝撃的な知見

ロジスティック回帰 ≥ 複雑E2E AI
後処理（力場最小化）なしのAI予測の限界
Bentoベンチマーク: 未知ポケット構造でAI精度が崩壊
PoseBusters: 生成AIの原子衝突ポーズが多発

→ 後段での力場最小化・物理バリデーションが必須の結論

⑤ テイクホームメッセージ
🔬 3世代の体系整理
古典(Vina/Glide/GOLD)→MLハイブリッド(GNINA/ArtiDock)→生成AI(DiffDock/AF3)の進化軸で一望できる現状地図を提供。
⚡ EasyDockで実用HTVS
640コア×22分/5,000化合物。Dask分散+SQLiteアトミック保存で耐障害性を実現。lib/dockingへの直接統合候補。
⚠️ AI単独には構造的限界
PoseBusters/Bento/NextTopDockerの独立ベンチマークが示す物理的不整合問題。後段の力場最小化が必須。
🔀 ハイブリッドが最適解
AI速度×古典厳密性。大規模粗スクリーニング(Vina)→AI再スコアリング(GNINA)→PoseBusters検証→AlphaFold3精密評価。
ケムインフォマティクスへの応用
適用先提案
lib/dockingEasyDock Dask統合でUniDockRunnerを並列化
lib/dockingGNINA 3D-CNNをpost_score hookとしてリスコアリング
lib/dockingPoseBustersバリデーションを各ステージ後に追加
lib/dockingFABFlex統合で柔軟受容体ドッキングモードを実装

最優先: EasyDock分散パイプライン + GNINA再スコアリングの統合でHTVS能力を大幅強化

本論文のインパクト
  • 独立ベンチマークによるAIモデルの構造的弱点の定量的実証
  • 「AI vs 古典」の二項対立を超えたハイブリッド統合設計指針
  • EasyDockによる実用的HTVSインフラの詳細スペック
  • 受容体柔軟性・特殊モダリティ（共有結合・ペプチド・大環状）への対応整理
公開実装: EasyDock / GNINA 1.3 / DiffDock / DynamicBind / AlphaFold 3（GitHub）
Grigorenko E. & Novikov A. "Advances in Molecular Docking Methodologies" | Preprints.org, Posted 27 April 2026 | DOI: 10.20944/preprints202604.1840.v1 | CC BY 4.0