📚 月次論文レビュー — 🤖 機械学習・AI

MAPCliff-WMGRは、分子活性予測における「活性崖（activity cliff）」問題—構造的に非常に類似した分子が劇的に異なる生物活性を示す現象—を専門的に扱う計算フレームワークである。重みつき分子グラフ表現を核心に、修正グラフ構造ニューラルネットワーク（mGraphSNNGAT）と独立特徴マッピング（IFM）モジュールを組み合わせることで、既存手法では困難だった活性崖分子の精密な活性予測を実現した。

環状ペプチドは分子量1000〜2000 Da程度の大環状化合物で、PPI（タンパク質-タンパク質相互作用）など小分子では届かない標的に対して高い選択性・親和性を持つ有望な治療モダリティである。しかし細胞膜透過性と水溶性の同時充足が困難であり、2002〜2024年のFDA承認17品目のうち細胞内標的に作用するのは1品目（ボクロスポリン）のみである。現行の設計ヒューリスティックは「疎水性アミノ酸を最大化する」というもので、極性・電荷を持つアミノ酸を多く含む環状ペプチドは系統的に除外されてきた。 本研究のPEGASUSは、BakerとAsherらが開発した多モーダルAIモデルスイートで、このパラダイムを打破する。

ペプチドは高い親和性と選択性を持ち創薬スタートポイントとして有用だが、経口吸収性・代謝安定性・膜透過性に難があり、そのままでは医薬品になりにくい。本研究のEDWARDは、ペプチド-受容体複合体から鍵となる結合相互作用を薬効団クラウドクラスターとして抽出し、その幾何学的・役割的制約のもとでフラグメントアセンブリを行って低分子リード候補を設計するE(3)等変GNNフレームワークである。エンドツーエンドのスキャフォールド学習を避け、「幾何学ファーストのモジュール式アセンブリ」を採用することで、アノテーション依存度を下げながらコンフォメーション・鎖長・トポロジーをまたいで安定した低分子変換を実現した。

ホーチミン市薬科大学のLong-Hung Dinh Phamらが提案した、「企業の公開サロゲートデータ（予測ラベル）を活用した多タスクGNN事前学習→小規模実験データでのファインチューニング」戦略。AstraZeneca（AZ）が公開したCC-BY 4.0サロゲートデータ（43万分子のLogD/KSOL/HLM予測値）とNovartis（27万分子、16エンドポイント）を事前学習データとして使い、Graph Isomorphism Network（GINnet）を訓練後、ASAP-Polaris-OpenADMETチャレンジの実験的ADME競技データ（各タスク300〜425化合物）でファインチューニングした。

Simulations Plus社のVladimir ChupakhinとJohn DiBellaによる、PolarisHub抗ウイルスADMETコンペティション（3位）の解法報告論文。中心的なアイデアは「記述子ファースト（Descriptor-First）」戦略であり、複雑なGNNや大規模分子Transformerを使わず、ADMET Predictor v12（AP12）の既存QSARモデル出力を meta-feature として再利用することで、小規模データ（301〜425化合物）でのADMET予測を高精度化した。最終的にTabPFN（合成タブラーデータ事前学習Transformer）をシングルタスク回帰器として採用し、CatBoostアンサンブルに対して最大44% MAE削減を達成した。

創薬の計算化学ワークフローは高度に細分化されており、分子ドッキング一つを実行するだけでも、リガンドのプロトネーション・エネルギー最小化・タンパク質の修復・ドッキンググリッド定義・後処理・相互作用解析・可視化という多段階の専門的ツール操作が必要である。BioChemAIgentは、MCPプロトコルを基盤に19種類のソフトウェアパッケージと27のツールを統合し、これら一連のワークフローをLLMエージェントが自律的に計画・実行できるようにしたフレームワークである。ハンブルク大学医療センター（UKE）が開発し、ソースコード・ウェブインターフェース・コミュニティレジストリをすべてオープンに公開している。

創薬における分子設計のAIアプローチは長らく「de novo設計」と「フラグメントベース設計（FBDD）」という二つの流派に分断されていた。de novo設計は新規スキャフォールドを生成できる一方でドラッグライクネスや結合モードの品質が低い傾向があり、FBDDはSAR知識を活かせる一方で既存フラグメントの枠内に縛られるという限界があった。UniLingo3DMolはこの両者を単一のトランスフォーマー言語モデルに統合し、「ポケット認識型de novo設計」と「フラグメント保持型3D設計」を同じアーキテクチャ・同じ重みで実現する。北京大学・StoneWise社・中国科学院物理研究所のグループが開発し、CBL-B阻害剤の実用的な創製に成功した点でモデルの汎化性を実証している。

Boston UniversityのLazou、Joseph-McCarthyらはAlphaFold3（AF3）がクリプティックポケット（タンパク質コンフォメーション変化によって露出する隠れた結合サイト）を予測できる能力を系統的に評価した研究である。クリプティックサイトはアロステリック制御・PROTACs・分子グルーなど創薬的に重要な結合部位だが、古典的なドッキングでは静的構造にしかアクセスできないため予測が困難だった。本研究ではAF3を既知リガンドと共に複数シードでアンサンブル実行（500モデル）することで、クリプティックサイト形成に必要なコンフォメーション変化を再現できることを示した。

FlashAffinityはNortheastern UniversityのJiang, Jinらが開発した、大規模バーチャルスクリーニング向けの軽量タンパク質-リガンド結合親和性予測モデルである。Boltz-2のような大型基盤モデルが実現した高精度を維持しつつ、50倍の推論高速化を実現することを目的としている。核心的なアイデアは、高コストなタンパク質構造予測モデルを「高速ドッキングモデル（FABind+）」で置き換え、PairFormerベースのスコアリングモジュールを「EGNN（E(3)-Equivariant Graph Neural Network）」で置き換えることである。この結果、フルパイプラインで0.7秒/pair（Boltz-2比50倍高速）、事前処理済み複合体のスコアリングのみなら2.

本研究はAlphaFold2/3（AF）がタンパク質の3次元構造を予測する際に内部でどのような判断基準を用いているかを解明することを目的としている。特に、コンフォメーションが複数切り替わる「fold-switching proteins」を利用して、AFがどの残基の情報を重視してコンフォメーションを選択するかを明らかにした。主要成果として、CAAT（Conformational Attention Analysis Tool）というアルゴリズムを開発し、AF2のEvoformerブロックのtriangle attentionテンソルを差分解析することで、コンフォメーション選択に決定的な残基位置をわずか数回の計算で同定できることを示した。この予測は複数のタンパク質で実験的（NMR、CD）に検証された。