CBS VS Benchmarking — Target-Specific ML vs SOTA AI Docking

CBS阻害剤VSベンチマーク: 標的特異的MLスコアリングvs最新AIドッキング・Co-folding

Truong, Tran-Nguyen et al. — Univ. Paris Cité / Imperial College London (ChemRxiv 2026) | DOI: 10.26434/chemrxiv.15000891

🎯 データ乏しい標的（CBS）で汎用AI基盤モデルが失敗する理由を解明し、標的特異的MLの優位性を定量実証

① 背景と課題

CBS（シスタチオニンβ合成酵素）はがん・ダウン症候群に関与する創薬標的だが、PDB中の共結晶化構造は1件のみ（7QGT, 2022年10月）。既知阻害剤数も少なく「データ乏しい標的」の典型。最新DLドッキング・co-foldingツールの多くはこの構造を訓練データに含まない。

AlphaFold3の訓練データは2021年10月以前のPDB構造のみ → CBS共結晶化構造が含まれない

CBS特異的VSベンチマークが存在せず、既存汎用ツールの CBS での性能が未評価だった

② 研究デザイン

CBSキュレーションデータセット（阻害剤 + 真の非活性 + デコイ）を構築し、以下を比較:

カテゴリ	ツール（例）
古典ドッキング	PLANTS, FlexX, SMINA, GNINA
DLドッキング	DiffDock, KarmaDock, SurfDock
Co-folding	AlphaFold3, Boltz-2, Boltz-2x
CBS特異的ML ✓	RF, XGBoost, SVM, MLP

③ 類似性制御交差検証

UMAP + クラスタリングで化学空間を分割し、訓練-テスト間の構造的独立性を確保。

各fold間のNEF1%差は非有意（p>0.05）→ 公正な比較基盤

④ 主要結果 (a) NEF1%比較（カテゴリ別）

VSパイプラインカテゴリ別 NEF1% (higher is better)

④ 主要結果 (b) CBS特異的ML詳細

0.764 ± 0.191

CBS特異的ML平均NEF1% (5-fold CV)

p < 0.01

全比較カテゴリとの有意差 (Mann-Whitney+Bonferroni)

RF/XGBoost/SVM/MLP間の差は有意でなし (p>0.05) → アルゴリズムよりデータ品質が決定的

④ 主要結果 (c) 汎用モデル失敗の要因

「基盤モデルの標的偏り」問題を定量実証

④ 主要結果 (d) 5-fold一貫性

各foldのNEF1%（CBS-specific MLの代表例）

⑤ テイクホームメッセージ

🎯 標的特異的MLが最強
NEF1%=0.764でAF3/Boltz等の最新AI手法を全て統計的有意差で上回る。訓練データの標的カバレッジが鍵。

⚠️ 基盤モデルの盲点
訓練データに含まれない標的ではDLドッキング・co-folding手法が低性能。「新規標的・希少標的」での過信は禁物。

📊 NEFによる公正な評価
NEF（正規化EF）で活性比率に依存しない横断比較を実現。今後の低データ標的のVS評価標準として提案。

🔬 CBS固有の知見
初の包括的CBSデータセット・ベンチマーク構築。がん/ダウン症治療に向けたCBS阻害剤設計の計算基盤を整備。

ケムインフォマティクスへの応用

既存UniDockRunnerのスコア + ProLIFCalculatorのFPを特徴量に、RF/XGBoostで標的特異的分類器を学習するサブモジュールとして統合可能

本研究のインパクト