未決定|🔧 実装📖 精読📉 後回し

📚 月次論文レビュー — 🔬 計算化学

対象期間: 2026-04-01 〜 2026-04-30このページ: 81〜87 件目各ボタンは独立したトグル(複数同時ON可)
ページ: 1 2 3 4 5 6 7 8 9
81. Artificial Intelligence for Direct Prediction of Molecular Dynamics Across Chemical Space▶ スライドあり
DOI: null(arXiv, 2026; zenodo:10.5281/zenodo.15588975) · 📅 2026年(arXiv) · 計算化学
判断:
分子動力学(MD)シミュレーションの計算ボトルネックは、力計算と数値積分という逐次的なプロセスに根ざしている。機械学習力場(MLIP)はこの力計算を高速化したが、femtosecond時間ステップの制約は解消されず、生物学的に重要な時間スケールへのアクセスはなお困難である。廈門大学のGe/Dral et al.はこの根本的なボトルネック自体を解消する発想で **MDtrajNet** を開発した。力を計算せず数値積分もせず、初期原子座標と時刻 t を直接入力として時刻 t の原子座標を予測する全く新しいアーキテクチャである。
📣 MDtrajNet:力計算・時間積分を完全省略、初期構造+時刻から直接原子位置を予測。等変NN+Transformer基盤モデルでMLIP比100倍高速・同等精度。32 psでfine-tuningして1 nsRamachandran再現。arXiv 2026
📊 一枚絵スライド ↗ 別タブ
82. Guidelines for the analysis of free energy calculations▶ スライドあり
DOI: 10.1007/s10822-015-9840-9 · 📅 2015年5月(J. Comput. Aided Mol. Des. 29(5): 397–411) · 計算化学
判断:
MDシミュレーションに基づくアルケミカル自由エネルギー計算(FEP/TI)は創薬における結合自由エネルギー予測・溶媒和自由エネルギー計算・物性予測に強力なツールである。しかしその解析方法はグループごとに異なる慣行が存在し、ベストプラクティスが十分に普及していない現状があった。Klimovich、Shirts、Mobley(UCI/UVa)はこの問題に対処するため、信頼できる自由エネルギー推定を得るための**解析標準手順**を包括的にレビューし、Pythonツール `alchemical-analysis.py` を公開した。
📣 FEP自由エネルギー解析ベストプラクティスの定番論文。MBAR推奨+脱相関→オーバーラップ行列→収束解析の4ステップQCを定式化。alchemical-analysis.py公開。JCAMD 2015。lib/fep/整備の必読文献。
📊 一枚絵スライド ↗ 別タブ
83. A bottom-up approach to find lead compounds in expansive chemical spaces▶ スライドあり
DOI: 10.1038/s42004-025-01610-2 · 📅 2025年(Communications Chemistry) · 計算化学
判断:
超大規模化合物ライブラリ(現在はトリリオンスケールに達しつつある)のバーチャルスクリーニングでは、ドラッグサイズ化合物を直接列挙・評価するアプローチは計算コスト的に非現実的になりつつある。Barrilグループ(バルセロナ大学)らはこの問題に対し、**「ボトムアップ」アプローチ**を提案した。低分子量断片空間(重原子数14以下、約10^9断片)を網羅的に探索して有望なスキャフォールドを同定し(探索フェーズ)、続いてそのスキャフォールドを核とするフォーカスライブラリを超大規模空間から展開して薬物サイズ化合物を探索する(活用フェーズ)という2段階戦略である。
📣 BRD4 BD1でボトムアップVS戦略。断片網羅探索→SpaceMACSでULS展開→rDock/MM-GBSA/DUck階層フィルタ。実験ヒット率約20%、X線共結晶構造3件取得。Commun. Chem. 2025
📊 一枚絵スライド ↗ 別タブ
84. Synthon-Based Strategies Exploiting Molecular Similarity and Protein-Ligand Interactions for Efficient Screening of Ultra-Large Chemical Libraries▶ スライドあり
DOI: 10.1021/acs.jcim.5c00222 · 📅 2025年(J. Chem. Inf. Model., accepted April 2025) · 計算化学
判断:
超大規模化合物ライブラリ(EnamineREAL等、2024年版で約70億化合物)のバーチャルスクリーニング(VS)において、従来の全列挙アプローチは膨大な計算資源を要する。本研究はスペイン・バルセロナのPharmacelera社らが開発した **exaScreen**(LBVS用)と **exaDock**(SBVS用)という2種類のシントン(合成前駆体ユニット)ベースのVS手法を提案する。シントンとは組合せ化学ライブラリにおける構成ブロックを仮想的に抽象化した断片であり、最終列挙化合物の代わりにシントンを評価することで計算コストをO(n×R×k)(シントン数×反応成分数×反応数)に圧縮できる。EnamineREAL規模では全列挙比で最大10^5倍の高速化が期待される。
📣 超大規模ライブラリVS向け新手法exaScreen/exaDock。シントンのHyphar四重極類似度(LBVS)と拘束ハイブリッドドッキング(SBVS)でO(nRk)に圧縮。全列挙比最大10^5倍高速・同等精度。JCIM 2025
📊 一枚絵スライド ↗ 別タブ
85. ANI Neural Networks Meet Electrostatics: A ML/MM Implementation in Amber▶ スライドあり
DOI: 10.26434/chemrxiv-2024-m9xgc(ChemRxiv プレプリント、査読前) · 📅 2024年 · 計算化学
判断:
本研究は ANI(Accurate Neural-network Engine for Molecular Energies)ニューラルネットワークポテンシャルを Amber の分子動力学エンジン SANDER に統合し、機械学習/分子力学(ML/MM)フレームワークを構築した研究である。最大の技術的貢献は、DFT(ωB97X/6-31G*)レベルの MBIS 原子電荷をニューラルネットワーク(ANI-MBIS-q)でオンザフライ予測することで、従来の QM/MM 静電埋め込みに相当する精度を QM 計算コストなしで実現した点にある。
📣 ANIニューラルネットポテンシャルにMBIS原子電荷予測モデルを統合し、Amber SANDERでQM/MM相当の静電精度をML/MMコストで実現。タンパク-リガンド相互作用エネルギーもQM/MMと良好に一致。AmberTools次期版に統合予定。
📊 一枚絵スライド ↗ 別タブ
86. Autonomous Diffractometry Enabled by Visual Reinforcement Learning▶ スライドあり
DOI: arXiv:2604.11773(プレプリント) · 📅 2026年4月 · 計算化学
判断:
本研究は Laue X 線回折を用いた単結晶の高対称軸配向(アライメント)を、視覚強化学習(Visual RL)によって完全自動化する「LaueRL」フレームワークを提案している。これまで熟練した実験者が手動で行っていた結晶配向作業を、ピクセル画像のみを入力とするモデルフリーの強化学習エージェントで代替する。エージェントは結晶学の物理モデルや人間の監督なしに、シミュレーション環境だけで訓練され、ドメインランダム化技術によって実際の X 線装置でも高い性能を発揮する。立方晶・六方晶・正方晶の3種の結晶系で 100% の成功率を達成しており、材料科学分野における自律実験ワークフローの実現に向けた重要な成果である。
📣 視覚強化学習(DrM Actor-Critic)で単結晶X線配向を完全自動化。結晶学知識不要、シミュレーション訓練のみで実験成功率100%。中性子散乱実験の前処理自動化に道を開く研究。コード・データ公開済。
📊 一枚絵スライド ↗ 別タブ
87. Consensus docking aid to model the activity of an inhibitor of DNA methyltransferase 1 inspired by de novo design▶ スライドあり
DOI: 10.3389/fddsv.2023.1261094 · 📅 2023年12月 · 計算化学
判断:
本研究は、エピジェネティクス標的である DNA methyltransferase 1(DNMT1)に対するコンセンサス分子ドッキングプロトコルを構築し、その有効性を実験的に検証した研究である。AutoDock Vina・LeDock・MOE の3種のドッキングプログラムを組み合わせ、7種類のデータフュージョン(スコア統合)手法でそれぞれの出力を統合することで、スクリーニング性能の向上を図った。また、alvaBuilder を用いた de novo 分子設計と商用ライブラリへの類似度探索を組み合わせることで、既知スキャフォールドとは異なる新規 DNMT1 阻害剤 F447-0397(IC50 = 41.3 μM)を発見・実験的に確認した点が本研究の重要な成果である。
📣 DNMT1阻害剤探索にVina・LeDock・MOEのコンセンサスドッキングを適用。Ligand Efficiency正規化+Minimum融合でρ=−0.564。De novo設計×類似度探索で新規スキャフォールド阻害剤(IC50=41μM)を発見。コード公開済。
📊 一枚絵スライド ↗ 別タブ
ページ: 1 2 3 4 5 6 7 8 9