BENTO: Benchmarking Classical and AI Docking on Drug Design-Relevant Data
Pak, Frolova, Nikolenko, Ivankov et al. (Ligand Pro / Skolkovo) · DOI: 10.64898/2025.12.30.696741 · Dec 2025
📊 11ドッキングツールを4データセット×多軸サブセットで徹底比較。ポケット構造類似性ベースのデータ分割が鍵
① 11ツールの評価対象

古典 (2)

AutoDock Vina, smina

DLドッキング (6)

Gnina, DiffDock, Uni-Mol V2, NeuralPLexer, FlowDock, Matcha(新)

コフォールディング (3)

AlphaFold3, Boltz-2, Chai-1

1,047
評価複合体数（4データセット合算）
② BENTOの革新：ポケット類似性ベース分割
従来: PDB登録日 or 配列類似性でtrain/test分割
↓ 問題: グローバル折りたたみ ≠ 結合ポケット類似性
BENTO: G-LoSA (構造アライメント) GA-score < 0.6 = "未知ポケット"
↓
DLモデルの過学習を明確化 + 実用的創薬評価（ドラッグライクサブセット）を統合

リガンド特性（クラス/複雑度/Tanimoto類似度）をポケット評価から独立して制御

③ サブセット設計5軸
  • リガンドクラス（6カテゴリ+レギュラー）
  • 複雑度（サイズ/柔軟性/埋没率）
  • ドラッグライク（MW200-500, rot≤10）
  • ポケット類似度（GA-score閾値0.6）
  • リガンド類似度（Tanimoto閾値0.7）
④ 主要ベンチマーク結果
シナリオ最高性能ツールKey Finding
Astex（標準）Matcha ≈ Gnina60-80%成功率。ドラッグライク中心で高成績
PoseBusters（品質重視）Gnina → smina → AF3/Boltz-2物理妥当性でGnina/古典が優位
DockGen（未知ポケット）AF3/Chai-1 (14%)全手法が低迷。DLの過学習が鮮明
ドラッグライクサブセットDLドッキング ≈ 古典古典とDLが同等。AF3は中位
複雑リガンドAlphaFold3/Boltz-2コフォールディングが明確に優位
⑤ 重要な発見 4つ
  • ポケット類似度ベース分割が必須
  • 古典・DL・コフォールディングはドラッグライクで同等
  • 複雑リガンドはコフォールディング優位
  • 全手法が未知ポケットに苦労（DLが最も過学習）
Gnina（物理ベース拡張）のみが未知ポケットで相対的に堅牢
⑥ lib/dockingへの実装応用
ツール選定指針

ドラッグライク標準SBVSにはUniDockRunner（Vina系）が十分。複雑リガンドやアロステリックサイトにはAF3コフォールディングを組み合わせる。

ベンチマーク基盤

G-LoSAポケット類似度計算 + リガンドクラス分類をlib/docking評価モジュールに実装。新規ツール追加時の性能比較基盤として活用。

  • GitHub: https://github.com/LigandPro/Bento (コード・データ全公開)
  • Matchaフローマッチングモデルは今後の統合候補（Astex最高性能）
⑦ X投稿用要約

ドッキングツール11種を徹底比較📊 BENTO: ドラッグライク低分子は古典もDLも同等。複雑リガンドはAF3が優位。DLは未知ポケットで過学習。コード全公開 #DrugDiscovery #Docking

DOI: 10.64898/2025.12.30.696741 · BENTO: Benchmarking Classical and AI Docking on Drug Design-Relevant Data · Pak, Ivankov et al. (Ligand Pro / Skolkovo) · Dec 2025 · Category: computational_chemistry