GRIPHIN: Grids of Pharmacophore Interaction Fields for Affinity Prediction

解釈可能なGRAILファーマコフォアフィールド × リガンドGNNによる hybrid 結合親和性予測 — Rose, Seidel, Langer (Univ. of Vienna), ChemRxiv 2025

🎯 ポケットを相互作用タイプ別ファーマコフォアフィールド(GRAIL)で表現し、最先端と同等の親和性予測精度を保ちつつ「予測に効く相互作用領域」を解釈可能に可視化する。

① 背景と課題

結合親和性予測は voxel ベース(原子種チャネル+3D-CNN: KDeep/GNINA/sfcnn)とグラフベース(残基/原子グラフ: PLANET/T-Alpha)に二分されてきた。GRAIL(Schuetz 2018)はポケットを相互作用タイプ別ファーマコフォアフィールドで記述する解釈可能な表現だが、深層学習との組合せは未開拓だった。

既存 voxel 系は原子種チャネルで、水素結合/π-スタッキングの方向性(角度)を明示しない

voxel にリガンドを焼き込む手法はリガンドサイズに制約される

高精度モデル(T-Alpha 等)は多モーダルで複雑、かつ解釈性が弱い

→ GRAIL の解釈可能なファーマコフォア表現を深層学習に持ち込み、精度と説明性を両立する

② 手法の概要: GRIPHIN (hybrid voxel-graph)

CDPKit で GRAIL map(30³×10ch, voxel 0.5Å)を生成→4層3D-CNNで context vector(2048d)化→リガンドGAT GNN(×3, additive pool)の各ノード更新に注入→2層MLP(4096)で pK を回帰。Integrated Gradients(Captum, ゼロ map baseline)でチャネル別ホットスポットを可視化。

③ 本研究で示したこと

GRAIL ファーマコフォア voxel + リガンドグラフの hybrid 構成を初めて親和性予測に適用
CASF-2016 で PCC 0.81 と既存 voxel/グラフ系と同等精度を達成
leak-proof な LP-PDBBind で IGN 同等(RMSE 1.58)、EGFR では最高 PCC 0.82
Integrated Gradients でリガンド条件付き相互作用ホットスポットを可視化(リード最適化支援)

④ 主な結果 (a) CASF-2016 精度比較

④ 主な結果 (b) LP-PDBBind RMSE

④ 主な結果 (c) アブレーション

context vector が最重要(MSE 1.48→1.94)。畳み込み中への注入が鍵。

④ 主な結果 (d) 標的横断の汎化

⑤ テイクホームメッセージ

解釈可能な入力表現
原子種でなく相互作用タイプ別ファーマコフォアフィールド(GRAIL)でポケットを符号化し、角度依存の方向性相互作用も捉える。

hybrid アーキテクチャ
GRAIL voxel を 3D-CNN で context 化しリガンド GNN に注入。voxel にリガンドを焼き込まずサイズ非依存。

同等精度＋説明性
CASF-2016 PCC 0.81 と最先端同等。Integrated Gradients で予測に効く相互作用領域を可視化。

外挿はモデル依存
EGFR で最高だが Mpro は PCC 0.44 と低い。PDBBind のサイズが解釈性活用と汎化の今後の課題。

既存手法との比較

Model	CASF PCC	CASF RMSE	Pocket repr.	Interp.
KDeep / Def2018 (voxel)	0.82/0.79	-/1.32	atom-type voxel	weak
PLANET (graph)	0.82	1.25	residue 3D graph	weak
T-Alpha (multimodal)	0.87	1.11	surf+graph+seq	attention
GRIPHIN (Ours)	0.81	1.29	GRAIL pharmacophore voxel	IG + 解釈可能

本研究のインパクト

解釈可能なファーマコフォア表現が深層学習で最先端同等に機能することを実証
attribution × 本質的に解釈可能な GRAIL 入力でリード最適化の相互作用ホットスポット提示が可能
公式実装(github.com/molinfo-vienna/GRIPHIN)公開、構造ベース創薬の説明可能 AI の足がかり