📚 月次論文レビュー — 🤖 機械学習・AI

仮説生成から統計検証まで完全自律実行するマルチエージェント研究エンジン「Epsilon」を提案した研究。「Design Agent（科学者）」と「Evaluation Agent（統計家）」を構造的に分離する「認識論的完全性（Epistemic Integrity）」アーキテクチャにより、p-hackingを実装レベルで防止する。3層メモリシステム（Evidence・Knowledge・Run Memory）でセッション間の知識蓄積と完全な監査証跡を実現。MLAgentBenchベンチマークで方法論的制約を遵守しながらベンチマーク目標を達成することを実証した。

de novo分子設計とフラグメントベース創薬（FBDD）を単一のトランスフォーマー言語モデルで統合し、タンパク質ポケットの3D情報を条件として完全な3D分子を生成するシステムを開発した。北京大学とStoneWise Technology（産業界）の共同研究。従来は別々のモジュールとして実装されていたde novo生成とFBDDを単一モデルで切り替え可能にすることで、創薬の異なる段階（初期ヒット発見〜リード最適化）に応じた生成戦略を柔軟に適用できる。

Freie Universität BerlinのBonneauとClementiグループによる包括的レビュー。深層学習がMDの3大課題（精度・速度・サンプリング効率）をどのように緩和できるかを整理するとともに、DL-MDが抱える新たな課題（訓練データ不足・解釈性・転移可能性）とその対処法を論じる。ニューラルネットワークポテンシャル（NNP）・機械学習MD（MLMD）・粗視化（CG）モデル・拡散系強化サンプリングを体系的にカバーした標準的レビュー論文。

フラグメントライブラリと内製ドッキング（iFitDock）を組み合わせて初期結合フラグメントを取得し、ポケットの形状・物理化学特性に基づいてフラグメントをアセンブルすることでリガンドとPROTACを一体設計するAIフレームワーク「DeepDegradome」を提案した研究。既存のPROTAC設計AIがウォーヘッドとE3リガンドを固定して使用するのに対し、両方を新規設計できる点が最大の革新性。WDR5・CDK9に対してX線結晶構造と一致するポーズを持つ化合物の実験的確認に成功した。

中国の2医療センターで2,069名を対象としたランダム化比較試験（RCT）により、LLMチャットボット「PreA」が初診から専門医への転送プロセスを効率化することを実証した臨床研究。PreAは問診・初期診断推論・検査オーダー・紹介状自動生成を担い、専門医診察時間を28.7%短縮（3.14 vs 4.41分）した。ケムインフォマティクスへの直接応用は限定的だが、ドメイン特化LLMエージェントのco-design設計方法論として参考になる研究。

分子プロパティ予測やバーチャルスクリーニングにおいて、入力分子表現の選択がモデル性能に与える影響を系統的に評価した研究。ECFP2/4/6・MACCS・RDKit記述子・ハッシュフィンガープリントなど多様な表現を、異なるMLアーキテクチャ・データセットの組み合わせで比較することで、タスク・データセット依存の最適な表現選定指針を提供する。ハッシュサイズ（ビット数）の変化が性能に与える影響も定量的に示した。

タンパク質ポケット内のリガンドとアミノ酸残基との3D接触を「リレーショナルグラフ」として符号化し、条件付きVAE（cVAE）でポケット特異的な新規小分子を直接生成するモデルを提案した研究。ケーススタディとしてドパミンD2受容体（D2R）を使用し、2D SMILES条件付き手法と比較してドッキングスコアおよびタンパク質接触パターンの整合性で優れた結果を示した。3D構造情報をポケット特異的にモデルに組み込むことで、生成分子が標的タンパクの結合ポケット形状に適合しやすくなる点が主要な貢献。

分子基盤モデル（Molecular Foundation Models）のパフォーマンスはバックボーンアーキテクチャだけでなく、SMILESトークナイザーの設計にも大きく依存する。本研究はこの「トークナイザー選択問題」に正面から向き合い、35種の既存トークナイザーを統一評価フレームワークで比較するとともに、新たにSmirkおよびSmirk-GPEを提案した。評価指標はvocabulary coverage（未知トークン率）、fertility（1分子あたりのトークン数）、ダウンストリームタスク精度（分子生成・性質予測）の3軸。

Rogers, Zhang ら（マンチェスター大学）が、ケミカル言語トランスフォーマー（CLM）の逆分子設計における根本的な課題、「デコーダ誘起の潜在空間ドリフト」を定量化・解決するフレームワークを提案した。目標特性（CMC、logP等）を指定した逆設計で、有効分子率〜90%・目標特性誤差〜1%を同時達成した。サーファクタントCMCを主要な実証例として使用し、ChatGPT・遺伝アルゴリズム・独自CLMとの比較でフレームワークの優位性を示した。

Purnomo, Head-Gordon ら（UCバークレー）が、タンパク質ホモロジーとリガンド類似性に基づく転移学習を活用したハイブリッド結合親和性予測フレームワークUCBbindを発表した。クエリペアに類似した参照ペアが存在する場合は実験データを直接転移し、存在しない場合はDL予測モジュールを使用するという適応的な戦略が核心。CASF-2016・HiQBind post-2020・COVID MoonshotでSOTA性能を達成した。