📚 月次論文レビュー — 🔬 計算化学

分子動力学（MD）シミュレーションは，原子系の時間発展を探索する強力な手法だが，ニュートン運動方程式の逐次数値積分という構造的制約が計算効率を大きく制限している。機械学習原子間ポテンシャル（MLIP）は力計算を高速化するが，逐次積分という本質的ボトルネックは解消できない。 本論文は，この制約を根本から回避する「4D 時空間（4D-spacetime）」アプローチを提案する。MDtrajNet は，初期核座標 R_0，初期速度 v_0，原子番号 z，および目標時刻 t を入力として，時刻 t における核座標 R_t を直接予測する。力計算も数値積分も不要であり，同一軌跡セグメント内の複数時刻を並列予測できる点が決定的な優位性である。

創薬のヒット探索において、化合物ライブラリの規模拡大は原理的にヒット率と多様性を向上させる。しかし、100億を超える化合物を個別にドッキングすることは計算資源の観点から従来は非現実的だった。Gorgulla/Arthanari et al.（Harvard/MGH, 2023）はこの問題を解決する **ATG-VS（Adaptive Targeting for Virtual Screening）** を開発した。中心的なアイデアは、全化合物をドッキングする前に**18次元分子プロパティグリッド**による粗粒前フィルタリングを行い、ドッキング計算の対象を約1000分の1に絞り込むことである。これによりEnamine REAL Spa…

古典的MM力場はリガンドの内分子ポテンシャルを単純なボンド・アングル・二面角の関数で近似しており、電子相関に由来する微細な配座エネルギープロファイルを正確には再現できない。一方、量子化学計算（DFT・CCSD(T)）は精度が高いが、タンパク質-リガンド複合体規模での長時間MDには到底適用できない。AcelleraのGalvelis/De Fabritiisはこのギャップを埋めるため、**NNP/MMハイブリッドアプローチ**を提案した。ANI-2x（CCSD(T)/CBS精度のデータで訓練された汎用ニューラルネットワークポテンシャル）をリガンドの内分子項に用い、残りのタンパク質内・タンパク質-リガンド間・溶媒相互作用には古典的なAMBER/GAFF力場を使う。

古典MDシミュレーションはタンパク質の機能的ダイナミクスを研究するための標準ツールだが、生物学的に意義のあるマイクロ秒〜ミリ秒スケールへのアクセスには膨大な計算資源を要する。MIT Center for Bits and AtomsのCosta/Jacobson et al.は **DeepJump** を提案した。Euclidean等変Flow Matchingモデルで、現在の構造と時間ジャンプサイズ δ を入力として δ ns後のコンフォメーションを直接予測する。古典MDを必要とせず、構造遷移の確率的な教師あり学習によってタンパク質の動力学を再現する。mdCATH（5398 CATHドメイン、500 ns × 5レプリカ × 5温度）で訓練し、fast-folding…

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。等変ニューラルネットワークとトランスフォーマーを組み合わせたこのモデルは、CCSD(T)/CBS精度のANI-1ccx参照軌道と比較して同等以上の精度でMLIP比最大100倍の高速化を達成する。

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。推奨する解析パイプラインは、(1)脱相関サブサンプリング、(2)複数推定器（MBAR/TI/BAR等）によるΔG計算、(3)位相空間オーバーラップ行列の確認、(4)前向き/後ろ向き収束解析の4ステップからなる。

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。各フェーズで精度とスループットのトレードオフを踏まえた計算手法の階層（ドッキング→MM/GBSA→DUck）を適用することで、偽陽性を段階的に排除しながら全体コストを抑える。

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。

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-2x による高精度なエネルギー・力の予測と、ANI-MBIS-q による動的原子電荷予測を組み合わせ、さらに分極補正項を加えることで…

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。