FlashAffinity: Bridging the Accuracy-Speed Gap in Protein-Ligand Binding Affinity Prediction

Jiang, Chen, Cao, Jin (Northeastern University) · DOI: 10.64898/2025.12.22.695983 · Dec 2025

⚡ Boltz-2を50倍高速化：EGNN + FABind+で大規模バーチャルスクリーニングの精度-速度問題を解決

① 背景と課題

Boltz-2は高精度だが35秒/pairの計算コストが数百万化合物スクリーニングの壁。配列ベース（BACPI）・リガンドのみ（GAT）は高速だが精度不足。

50x

FlashAffinity vs Boltz-2 の推論速度比

2.5ms

事前処理済み複合体のスコアリング速度

② FlashAffinityアーキテクチャ

タンパク質配列Sp + リガンドSMILES Sl
↓ FABind+ (高速ドッキング) ← Boltz-2の構造予測を置き換え
↓ 適応クロッピング Fcrop（ポケット抽出）
↓ 多関係グラフG構築（内部/外部/グローバルエッジ）
↓ EGNN L=5等変レイヤー（回転/並進不変）← PairFormerを置き換え
↓ スナップショットアンサンブル
親和性回帰 yaffinity or バインダー分類 pbind

グループベースミニバッチ（アッセイID別）+ Focal Loss/Huber Lossで学習ノイズ対処

③ グラフ設計の工夫

内部エッジ: 共有結合トポロジー（1.8Å以下）
外部エッジ: タンパク質-リガンド非共有結合（5.0Å以内）
グローバルノード: 全体構造コンテキスト
ノード特徴: 事前学習タンパク質埋め込み + 化学特性

MEAN (Kong et al. 2023) のエッジスキーマに基づく3スケール設計

④ ベンチマーク結果

データセット	Boltz-2 R	FlashAffinity R	BACPI R	GAT R
OpenFE	0.62	0.44	0.29	0.28
FEP+ 4 targets	0.66	0.53	0.14	0.40
CASP16	0.65	0.65	0.41	0.50

バインダー分類 EF@1%: FlashAffinity 14.13 vs Boltz-2 13.95（FlashAffinity僅かに優位）

OpenFE・FEP+ではBoltz-2に対してR差 0.13〜0.18。精密回帰は改善余地あり

⑤ 速度比較

0.7s / pair

フルパイプライン (FABind+ + EGNN) — L40S GPU

2.5ms / pair

EGNNスコアリングのみ（事前処理済み複合体）

35s / pair

Boltz-2（比較）

100万化合物スクリーニング ≈ 42分（スコアリングのみ）

⑥ ケムインフォパイプラインへの応用

lib/docking (高優先度)

UniDockRunner後段にEGNNリスコアリングを統合。Chemgauss4置き換えまたは補完。2.5ms/pairで100万化合物処理可能。

lib/fep (高優先度)

多段階スクリーニング: UniDock→FlashAffinity→MMGBSA→FEPの階層的コスト配分。FEP候補を1/100に絞り込み。

グループベースミニバッチ戦略はlib全体のMLモデル学習に汎用応用可能
FABind+: https://github.com/QizhiPei/FABind

⑦ X投稿用要約

Boltz-2を50倍高速化！FlashAffinityがバーチャルスクリーニングの壁を破る⚡ EGNNスコアリングで2.5ms/pair、EF@1%でBoltz-2超え。100万化合物スクリーニングが現実に #DrugDiscovery #AI創薬