📚 月次論文レビュー — 🤖 機械学習・AI

Du, Liu ら12名（Beijing Institute of Technology, Eur J Med Chem Reports, 2026年3月）が、PROTAC分野の最新開発動向とAI応用を包括するレビューを発表した。ubiquitin-proteasome系（UPS）の生物学的機序からPROTAC設計の課題（三元複合体形成・リンカー最適化・ADMET）、ML/AIによる加速戦略まで体系的に整理する。FDA承認・臨床試験段階のPROTACが急増する2025-2026年の時点での最新レビューとして位置付けられる。

Karki, Pokharela, Zaliani, Huchting, Gribbon（Fraunhofer ITMP/CIMD, Annual Reports in Medicinal Chemistry Vol.65）が、ターゲットプロテインデグレデーション（TPD）領域——PROTAC・分子グルー・HyT（Hydrophobic Tagger）・リソソーム系デグレーダーを包括——でのAI/ML応用を体系的にまとめたレビューchapterを発表した。FDA承認済みPROTACが登場し始めた2020年代の動向を受け、特にRLによるリンカー設計・三元複合体予測・ADME予測へのML応用が創薬パイプラインを加速しつつある現状を整理する。

Sabanés Bové, Seibold, Boulesteix, Manitz, Gasparini, Günhan, Boix, Schüler, Fillinger, Nahnsen, Jacob, Jaki（計12名、複数製薬企業・大学横断, Drug Discovery Today, 2026年1月）が、製薬開発における統計ソフトウェアのオープンソース化革命の現状と課題を論じるレビューを発表した。

Liu, Pang, Wu, Tagle, Wu（Stanford Cardiovascular Institute / NCATS-NIH, Cell 189, pp.1877-, 2026年4月2日）が、動物実験代替の「New Approach Methodologies（NAMs）」が創薬全体を再定義しつつある現状をCell誌Reviewとして包括的にまとめた。FDA Modernization Act 2.0（2022, 動物試験の必須要件を撤廃）・Act 3.

Zhang, Qu, Lu, Wang, Tian, Gu, Zhang, Knoll, Gao, Chen, Jiang（Tongji大学/UC Berkeley/TUミュンヘン, Sci. Adv. 12, eady9955, 2026年4月）が、強化学習（RL）で誘導するセミフレキシブル分子拡散モデル「SeFMol（Semi-Flexible Molecular diffusion model）」を提案した。構造ベース医薬品設計（SBDD）における現状の分子生成アプローチが抱える根本的なジレンマ——静的リガンドモデリングが支配する中で実際の分子相互作用は本来的に動的である——を解決するため、セミフレキシブルドッキングに触発されたRL誘導拡散フレームワークを開発した。

Wakutsu, Kaneko（明治大学, Anal. Sci., DOI:10.1007/s44211-026-00900-6, 2026）が、分子構造と嗅覚受容体（OR: Olfactory Receptor）結合プロファイルを統合したマルチラベル臭気予測フレームワークを提案した。人間の嗅覚がGPCRファミリーの一種である388種の嗅覚受容体への結合パターンに基づくという生物学的機構を明示的にモデル化し、「分子→受容体応答パターン→嗅覚知覚」という3段階パイプラインとして実装した。

Hörmann, Mayer, Lewandowski, Hunklinger, Wein, Merk（Ludwig-Maximilians-Universität München, Nat. Commun. 17:3456, 2026）が、化学言語モデル（CLM: Chemical Language Model）のインクリメンタル・ファインチューニングによるリード最適化手法を提案し、前向き検証（合成・生物評価）で有効性を実証した。既存のCLMを使ったde novo分子設計は、外部スコアラー（QSARモデル・ドッキング）への依存なしにオンターゲット活性を向上させるリード最適化が困難という課題を抱えていた。

Cheng, Li, Guo, Liang, Gong, de Vazelhes, Gou, Xie, Song, Xing（GenBio AI, bioRxiv 2026年4月）が、仮想細胞の中核機能である「摂動応答予測」の自律型構築システム「VCHarness」を提案した。仮想細胞とはゲノム・タンパク質・細胞状態などを跨ぐ多モーダルな細胞プロセスを予測・シミュレーション・プログラムできる計算システム（世界モデル）として定義される。現在の摂動応答モデル開発は専門家による手作業設計・反復デバッグ・ハイパーパラメータ探索に依存しており、数ヶ月の時間を要する。VCHarnessはAIDO生物基盤モデル群・LLMコーディングエージェント（Claude Sonnet 4.

UBio Team（IQuest Research, arXiv:2602.17709, 2026年4月）が、量子力学的精度（DFTレベル）と生物学的スケールを両立する汎用ML力場基盤モデル「UBio-MolFM」を提案した。既存のMLFF（機械学習力場）が直面する「スケールと精度のトレードオフ」を解消するため、(1)生体系特化大規模データセットUBio-Mol26、(2)線形スケーリング等変トランスフォーマーE2Former-V2、(3)3段階カリキュラム学習の3要素を統合した。最大1500原子のOOD（学習分布外）生体分子系でMACE-OMolとUMA-S-1p1を大幅に上回る精度を達成し、タンパク質Rel.E. MAEで9倍以上の改善を示した。

Wang, Wen, Pandey, Liu, Ding（Northwestern University / AbbVie, arXiv:2604.12237, 2026年4月）が、デュアルメモリシステムとマルチターン強化学習を組み合わせた分子最適化フレームワーク「MolMem（Molecular optimization with Memory）」を提案した。リード化合物の構造的類似性を維持しながら物性を改善するという分子最適化タスクにおいて、各オラクル評価（wet-lab assay・高精度MD/FEPシミュレーション等）が高コストであるため、限られた予算内での「サンプル効率」が最重要課題となる。MolMemはStatic Exemplar Memory（ChEMBL 2.