📚 月次論文レビュー — 🤖 機械学習・AI

Kapuśniak, Gabellini, Bronstein, Tossou, Di Giovanni（Oxford大学・Valence Labs・Recursion・Aithyra, arXiv:2509.24779, 2026）が、マルコフ状態モデル（MSM）とフローマッチング（Flow Matching）を組み合わせた新しいクラスのMDエミュレーター「MarS-FM」を提案した。従来のMDシミュレーション代替手法（MD-Emu）が固定ラグ時間の遷移密度を学習するという根本的な制約を抱えており、局所的・頻出の構造変化に訓練信号が支配されるため、フォールディング・アンフォールディングなどの希少な大コンフォメーション変化を適切にサンプリングできないという問題を解決する。

Ben Hicham, Rittig, Grohe, Mitsos（RWTH Aachen, 2026）が表形式基盤モデル（TFM: Tabular Foundation Model）と多様な分子表現を組み合わせることで、タスク特化ファインチューニングを一切要さずにin-context学習で分子物性を予測するフレームワークを提案した。製薬・創薬分野の多くの実用問題では、実験データが数十〜数千件という低〜中規模に限られる。既存の分子基盤モデル（GNN・SMILES言語モデル等）はタスク特化ファインチューニングを必要とし、ML専門知識と計算コストを要求する上に古典的なXGBoost+フィンガープリントに勝てないことも多い。

Tao, Wang, Zhou, Hooi et al.（NTU/UC Merced/湖南大/NUS, 2026）がLLMによる分子生成の「創造性」を体系的に定量評価した研究を報告した。分子生成は多数の化学的・生物学的制約下で大規模かつ構造化された化学空間を探索するタスクであり、単なる正解・不正解の二値問題ではない。LLMは自然言語プロンプトから直接分子表現を生成できるが、どのような種類の創造性を示すかは未解明だった。本研究は創造性を「収束的創造性（制約満足）」と「発散的創造性（化学空間探索）」の2次元で操作化し、物理化学・ADMET・生物活性タスクにわたる実証評価から、LLMの分子生成パイプラインでの適切な使い方を示した。

Pun, Podolskiy, Izumchenko, Mortlock, Oprea, Scheibye-Knudsen, Fortney, Morgen, Ren, Zhavoronkov（Insilico Medicine他、2026）がAI時代における創薬標的同定・評価の現状と展望を包括的にレビューした。約20,000のヒトタンパク質コーディング遺伝子のうち約4,500が創薬可能と推定される一方で、現時点の全承認薬が標的とするのは716個のみという巨大なターゲットスペースの未開拓領域を背景に、AIがターゲット探索の各ステップ（疾患領域選定・オミクスデータマイニング・因果推論・druggability評価・安全性予測）をどう変革しているかを事例とともに体系的に論じている。

Zhu, Wang, Wei, Zhang（2026）が分子表現学習の3つの根本的なボトルネック（表現・意味・目的関数）を同時に解決するMSHG-MAE（Multiscale Hypergraph Convolutional Masked Autoencoder）を提案した。分子を原子ノードと化学的意味単位（共有結合・リング・官能基・共役系・水素結合）を超辺として持つ統一ハイパーグラフとして表現し、多スケールハイパーグラフ畳み込みと意味認識マスクオートエンコーダーで自己教師あり事前学習する。さらにΔ-PropertyAlignment（Δ-PropAlign）を導入し、分子埋め込みの差分ベクターがRDKit加算型記述子の差分と整合するよう学習させることで、特性変化に敏感な表現を実現した。

Zhong, Jiang（2026）がAlphaFold2（AF2）予測タンパク質構造へのバインディングサイト予測精度向上を目的とした信頼度考慮型ドメイン適応フレームワーク「ProtCross」を提案した。PDB実験構造で学習したバインディングサイト予測モデルをAF2予測構造へ適用すると精度が著しく低下するという実用上の問題に対し、タンパク質を残基点群として表現しPointNet++で幾何学的特徴を抽出、ESM-C言語モデル埋め込みを組み合わせ、pLDDTスコアで重み付けした敵対的ドメイン適応によりPDB-AF2間の分布差を解消する手法を開発した。AF2テストセットでAUC 0.88を達成し、既存の代表的手法を大幅に上回った。

Song, Gao, Tian, Yang, Deng, Feng, Hou（2026）がRNA-低分子結合親和性予測のためのマルチビューインタラクティブ融合モデルDeepMIFを提案した。RNA標的薬物発見はタンパク質標的に比べて系統的な計算手法が未成熟であり、既存の親和性予測手法では配列の複雑な局所パターンや低分子との相互作用特徴を十分に捉えられない課題があった。DeepMIFはRNA側に独自のL-ESKmer表現と事前学習済みRNA言語モデル埋め込みを組み合わせたマルチビュー特徴を構築し、低分子グラフ特徴とマルチヘッドクロスアテンション機構で統合することでこの問題に取り組んだ。

Schott-Verdugo, Gohlke（デュッセルドルフ大学）がLLMエージェントによる計算化学ソフトウェアの最適化・近代化の実践例を報告したViewpointである。JCIM特集号「Harnessing the Power of Large Language Model-Based Chatbots for Scientific Discovery」に掲載。

Barakat et al.（Alberta大学）が多目的強化学習（MORL）にPareto最適化を組み合わせた分子設計プラットフォーム「AI-MedCraft」を提案した。創薬における小分子最適化は活性・溶解性・選択性・ADMET・合成容易性という相互依存する多数の目標を同時に満たす必要があるが、従来の計算ワークフローはこれらを順次対処するか、固定重みのスカラースコアに圧縮して扱う設計が主流だった。 AI-MedCraftは多目的最適化をPareto支配の概念で明示的に扱い、学習進行に合わせて最適化圧力を自動調整する「strategy-driven」設計を採用した。これにより固定重みの手動チューニングなしで多様なパレートフロント上の解集団を探索できる。

Chennakesavalu et al.（Genentech / Prescient Design）は、小分子創薬タスクに対するLLMの能力を系統的に評価するベンチマークフレームワークと、RL後学習によって創薬特化モデルを構築する手法を提案した。LLMは多様な情報源・フォーマットを横断して推論できる汎用性から創薬加速への応用が期待されているが、実際の業務シナリオを反映した評価基準が乏しく実用性が不明確だったという問題意識から出発している。 6カテゴリの化学タスクをRL環境として統一定式化し、複数のLLMファミリー（Anthropic、OpenAI、オープンウェイト）を比較評価した。