DockTDeep: Data-centric CNN Scoring Function

DockTDeep: Data-centric Training Enables Meaningful Interaction Learning

da Silva, Vidal, Dardenne et al. (LNCC/Brazil) — ChemRxiv 2025, DOI: 10.26434/chemrxiv-2025-khbrl

🎯 アーキテクチャ複雑化より訓練手法の改善（ランダム回転+molecular dropout）でCNN scorer が真の相互作用を学習できることを示す

① 背景と問題

CNNベーススコアリング関数は回転感受性・リガンド/タンパク質特徴への過剰適合・汎化不全という3つの根本的問題を抱える。先行研究はアーキテクチャ工夫で対処しようとしてきたが、本論文はデータ拡張と正則化の改善（data-centric設計）で十分解決できると主張する。

90度回転拡張（慣例的手法）が回転不変性をまったく改善しない（SD: baseline 0.548 → 90度 0.630 → random 0.236）

モデルはリガンド単独でもRp=0.355を達成 — 真の相互作用学習ではなくリガンド記憶の疑い

② ランダム回転: 回転不変性の解決

90度回転はbaselineより悪化する場合も。ランダム回転が唯一有効。

③ Molecular Dropout: 相互作用学習の強制

学習中に確率pでタンパク質またはリガンドのvoxelをゼロ化し、ラベルを0.0に設定する単純な正則化

評価設定	Baseline	RR only	RR+MD
Full complex	0.709	0.797	0.804
Ligand only	0.355	0.278	0.100
Protein only	0.241	0.035	-0.117

Strong binders RMSE: 1.676→5.463

pose悪化（RMSD 8.3Å）でのRMSE変化 — 真の相互作用認識を示す

④ 主な結果 (a) ベンチマーク性能

④ 主な結果 (b) 回転不変性詳細

手法	Mean SD	Mean Range	Rp
Baseline	0.548	2.265	0.709
90度回転	0.630	2.555	0.784
ランダム回転	0.236	0.967	0.798
RR + MD	〜0.236	〜0.967	0.804

90度回転のRange 2.56 kcal/mol ≈ Ki 1.8倍の不確実性 → 実用不可

Pfam-CV MAE=1.247（2位）でGNN含む多くのSOTAを上回る汎化性を示す

④ 主な結果 (c) 親和性カテゴリ別精度

分類正解率: Strong 74%

Strong→Weak誤分類はわずか4.3%（多くはDBアノテーション誤り）

広カテゴリ分類は得意だが範囲内の細粒度ランキングは困難（実験誤差0.58 kcal/molの限界）

⑤ 限界点と実装提案

同一親和性レンジ内の細粒度ランキングは困難（強結合内Rp=0.565）

アロステリック結合・動的エントロピー寄与は捉えられない

90度回転はlib/dockingのCNN実装から即刻除去すべき

lib/dockingへの実装提案:

Code: gmmsb-lncc/docktdeep

GitHub公開 (CC BY-NC-ND 4.0)