LumiNet: Robust PL Interaction Modeling Integrating Physical Laws and Geometric Knowledge for ABFE
Su, Wang, Gou et al. (Zhejiang Univ.) — ChemRxiv 2024, DOI: 10.26434/chemrxiv-2024-9k6z7
🎯 DLの表現力と古典力場の物理解釈性を融合し、FEP+を超える精度・数桁高速なABFE予測を少量データで実現する
① 背景・課題

ABFE計算はFEP/TI法（高精度だが計算コスト大）とデータ駆動DL（高速だがブラックボックス・データ不足に弱い）の二択を迫られてきた。先行物理インフォームドモデル（PIGNET、GenScore）はDL潜在ベクトルを物理パラメータに直接マッピングするため、ドメイン知識の統合が不十分で実用精度に限界がある。

GenScore: PDE10A系列でFEP+より低い精度（PCC差+18.5%がLumiNetにある）
PIGNET2: FEP1でPCC=0.64（LumiNet 0.696比較）

→ 「構造→距離→物理エネルギー」の二段階変換で双方の限界を突破するLumiNetを提案

② LumiNetアーキテクチャ
Ligand Graph → SubGraph Transformer
Protein Graph → Graph Transformer
↓ concat
MDN → 距離分布 d_ij フィット (事前学習)
↓
BiEGCL → 有効距離 d'_ij 精緻化
↓
vdW + Hbond + 疎水性 + 金属 + Trotor
↓
ABFE スコア（解釈可能）
  • ポケット半径5Å（精度・速度最適）
  • Trotor: リガンドエントロピー項
  • Web service: ai2physic.top
③ 物理エネルギー項（4種）
エネルギー項計算式
van der WaalsLennard-Jones [(d'ij/dij)^12 - 2(d'ij/dij)^6]
水素結合Piecewise linear (c1=-0.7, c2=0.0)
疎水性Piecewise linear (c1=0.5, c2=1.5)
金属相互作用Piecewise linear (c1=-0.7, c2=0.0)
d'ij = BiEGCL(dij, 構造情報)
MDNで推定したdijをBiEGCLで精緻化した有効距離
④ 主な結果 (a) CASF-2016スクリーニング能力
CASF-2016 Enrichment Factor (EF_1%) CHEMPLP GNINA GenScore LumiNet 13.8 18.2 21.0 26.5
PCC = 0.85
CASF-2016 スコアリング精度
④ 主な結果 (b) FEP1 fine-tuning性能
FEP1: Fine-tuning点数とPCC PIGNET2 0.64 FEP+ ~0.70 0 3 6 Fine-tuning点数 0.6 0.7 0.75 0.73

6点のみでPCC=0.73、RMSE=0.82 kcal/mol（FEP+ RMSE=1.08比で優位）

④ 主な結果 (c) ベンチマーク比較
モデルFEP1 PCCFEP2 PCC
PIGNET20.64—
GenScore—0.51
LumiNet (no SSL)0.650.46
LumiNet (SSL)0.6960.534
LumiNet (6-pt FT)0.730—
PDE10A: +18.5% vs PIGNET2
PDE10Aデータセットでの改善率
⑤ 限界点と実装提案
FEP2での精度限界（PCC=0.534）— 難系への完全なブレークスルーには至らず
ポケット5Å制限によるグローバル構造情報の欠如
Trotorは回転可能結合数の単純近似（厳密なエントロピー計算ではない）
lib/fepへの実装提案:
  • LumiNet ABFE → MMGBSAEngine前段スクリーニング統合
  • 物理エネルギー項の解釈可能な出力でHBondAnalyzerと連携
  • UniDockRunner → LumiNet filterパイプライン構築
Su, Wang et al. (Zhejiang Univ.) — ChemRxiv 2024 | DOI: 10.26434/chemrxiv-2024-9k6z7 | Category: machine_learning | Target: lib/fep | Generated: 2026-05-11