ACANET: Activity Cliff-Informed Contrastive Learning for Molecular Property Prediction
Shen, Cui, Su, Zhang, Velez-Arce, ..., Zitnik | Harvard Medical School / Tsinghua / NUS | ChemRxiv 2023 | DOI: 10.26434/chemrxiv-2023-5cz7s
🎯 構造類似・活性大差の「Activity Cliff」に感応する ACA 損失で GNN の QSAR 精度を 39 データセットにわたり改善
① 背景: Activity Cliff の問題

Activity Cliff（AC）は、構造的に非常に似た化合物ペアが著しく異なる生物活性を示す現象。GNN は潜在空間を構造的類似性で最適化するため、AC での急激な活性変動を系統的に見落とす。

GNN の潜在空間: 構造類似 = 近くに配置 → AC での予測失敗
QSAR モデルが低 AC 感応性を示すことは既知の問題だが、解決策は限定的
AC は単なる外れ値でなく、SAR の不連続性として薬物設計に重要な情報を含む

→ ACA（Activity Cliff Awareness）損失で潜在空間を活性差に整合させる

② 手法: ACA 損失

ACA_loss = Regression_loss + α × TSM_loss

HV-ACT（High-Value AC Triplet）のサンプリング
cliff_lower ≤ 活性差 ≤ cliff_upper のペアを選択
↓
TSM 損失: d(A,P) < d(A,N) となるよう潜在空間を整形
（A=anchor, P=positive/類似活性, N=negative/活性大差）
↓
α で Regression loss と TSM loss のバランスを制御
② 手法: 3タスクへの展開
回帰 (QSAR): ACA_loss = MAE/MSE + α×TSM
39データセットで活性予測精度改善
AC 分類: TSM→Contrast loss（AC を離す / non-AC を近づける）
MMP ベースの AC/non-AC 分類で MCC 向上
ADMET 予測: 絶対値学習 → デルタ値を推論
DeepDelta / ChemProp と同等以上
③ 要点
  • 任意の GNN に損失関数を追加するだけで AC-aware 化
  • LSSNS: MAE +7.54%、MSE +21.6% の平均改善
  • HSSMS: 全30データセットで RMSE 削減、平均 -6.59%
  • ECFP+SVM（SOTA）を 23/30 データセットで上回る
  • ADMET 10指標中 7 指標で最低 RMSE を達成
④ 主要結果 (a) LSSNS vs HSSMS 改善率
RMSE 改善率 (%) by データセット種別 0 10 20 25 LSSNS (MAE) LSSNS (MSE) HSSMS +7.54% +21.6% -6.59%
④ 主要結果 (b) vs ECFP+SVM (HSSMS)
RMSE 比較（全データセット平均） RMSEall RMSEcliff 0 0.4 0.8 0.671 SVM 0.646 ACANET 0.742 SVM 0.711 ACANET ECFP+SVM ACANET
④ 主要結果 (c) AC 分類（MCC）
データセットAC-agnostic GNNACANET改善
MC40.3730.462+0.089
Mu opioid0.4510.550+0.099
Thrombin0.4870.510+0.023

3 MMP ベンチマーク全ての AC 分類で AC-aware モデルが SOTA 達成

④ 主要結果 (d) ADMET 予測
ADMET カテゴリ指標数ACANET の成績
吸収（Absorption）3指標ChemProp/DeepDelta と同等
分布（Distribution）2指標⭐ 最低 RMSE
排泄（Excretion）1指標⭐ 最低 RMSE
代謝（Metabolism）3指標⭐ 最低 RMSE
毒性（Toxicity）1指標⭐ 最低 RMSE
⑤ テイクホームメッセージ
⚡ ドロップイン統合
既存 GNN に ACA 損失を追加するだけ。バックボーン変更不要で任意のアーキテクチャに適用可能。
📈 39データセットで一貫した改善
LSSNS・HSSMS・AC 分類・ADMET の全タスクで改善。汎用性の高い誘導バイアス。
🧪 ADMET にも有効
活性差からデルタ値を推論する戦略で 7/10 ADMET 指標でSOTA。FEP ΔΔG 予測への応用余地あり。
🎯 AC は情報の宝庫
Activity Cliff は単なる外れ値でなく SAR の重要な情報。AC-awareness でより正確な SAR 解釈が可能。
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/dockingQSAR スコアラーに ACA 損失を統合。キナーゼ/GPCR の Activity Cliff 予測精度向上
lib/fepMMGBSAEngine の MMP ΔΔG 予測に ACA を統合。活性差大ペアを正確に識別
lib/molgenActivity Cliff 境界近傍の化学空間を意図的に探索するスコアラーとして活用
本研究のインパクト
  • QSAR における Activity Cliff 問題に対する損失関数レベルの解決策を提示
  • 回帰→分類→ADMET と多様なタスクへの汎化を実証
  • 「絶対値で学習してデルタ値を推論」という新しい ADMET 評価戦略
  • Harvard Zitnik Lab による ChemRxiv での公開（継続的な更新）
ChemRxiv 2023 | DOI: 10.26434/chemrxiv-2023-5cz7s | Shen, Cui, Su, Zhang, Velez-Arce, Wang, ..., Zitnik — Harvard Medical School / Tsinghua / NUS