📚 2026年5月 月次論文レビュー — 🤖 機械学習・AI

DrugPipeはtarget-centricパラダイムに基づく生成AI支援ドラッグリポジショニングパイプラインである。タンパク質構造を入力として、既知のリガンドや結合ポケット情報を一切必要とせずに既承認薬の候補を同定できる。パイプラインは2フェーズで構成される。Phase1では（1）Fpocketによるタンパク質結合ポケットの自動予測、（2）DiffSBDD（SE(3)-等変拡散モデル）による各ポケットへの候補リガンドの3D生成、（3）AutoDock Vinaによる生成リガンドの結合エネルギー評価を行う。Phase2では生成リガンドをクエリとしてGNNエンコードによる既承認薬のコサイン類似度検索を行い、多目的ランク和スコアリング（構造類似度＋結合エネルギー）でtop-kを選定してドッキング評価する。

ファーマコフォアとは、活性化合物群に共通する立体・電子的特徴（水素結合供与体/受容体・疎水性・芳香環・正負電荷など）を3次元空間にマッピングしたアブストラクトな分子モデルであり、リガンドベースおよび構造ベースの仮想スクリーニングで広く利用されている。しかし従来のファーマコフォアモデルはリガンド情報に依存するか、専門家の手作業によるタンパク質ポケット解析を必要とし、新規ターゲットへの対応やHTS規模の自動化には大きな障壁があった。本論文のPharmacoForgeは、タンパク質ポケット構造のみを条件として3次元ファーマコフォアを拡散モデルで直接生成する初のE(3)同変深層学習フレームワークである。

リード最適化における相対結合自由エネルギー（RBFE, ΔΔG）の高速・高精度予測は計算創薬の重要課題である。従来のFEP/TI法は1kcal/mol以下の精度を持つが、1日に4変換程度しか計算できない低スループットが実用上の制約となっている。本研究はConvolutional Neural Network（CNN）を用いたSiameseネットワークにより、同一タンパク質に結合する2つのリガンドの3D構造から直接ΔΔGを予測するアーキテクチャを提案する。共有重みを持つ2アームのCNNが各リガンド-タンパク複合体のvoxel表現を受け取り、潜在ベクトルの差分からΔΔGを線形マッピングする。

絶対結合自由エネルギー（ABFE）の計算は創薬の中心課題であるが、FEP/TI法は計算コストが高く、純粋なデータ駆動型DLはデータ不足とブラックボックス性という問題を抱える。本研究のLumiNetはこの両者の橋渡しを図る物理インフォームドDLフレームワークである。Subgraph Transformer（SubGT）とMixture Density Network（MDN）がタンパク質-リガンド（PL）複合体構造から原子間距離分布を学習し、Bidirectional Equivariant Graph Convolutional Layer（BiEGCL）がその距離を精緻化した有効距離d'ijに変換する。

タンパク質-リガンド結合親和性予測における機械学習スコアリング関数（MLSF）は、しばしばタンパク質またはリガンド単独の特徴への過剰適合・回転感受性・過学習・汎化不全という問題を抱える。本論文DockTDeepは、アーキテクチャの革新ではなく訓練手法の最適化（data-centric設計）によって、シンプルなCNNが直面するこれらの問題を克服できることを示す。具体的には2つの主要な貢献がある：①CNN学習で慣例的に用いられてきた90度回転データ拡張が回転不変性改善に無効であることを実証し、on-the-flyのランダム回転（任意角度）が効果的な代替手段であることを示した。②molecular dropoutという新しい正則化手法を提案し、学習時にタンパク質またはリガンドのどちらかをランダムに除去することで、…

分子生成AI（Molecular Language Model, MLM）の主な課題として、医薬品様分子への偏り・潜在空間と化学構造の不整合・不完全な再構成精度の3点がある。MolGen-Transformerはこれらを解決するTransformerオートエンコーダで、198百万の有機分子（医薬品様・π共役材料・レドックス活性分子・組み合わせライブラリ等）で自己教師あり学習を行う。SELFIES（Self-Referencing Embedded Strings）表現により100%の分子再構成精度を達成し、わずか54,821パラメータで化学的に構造化された密な潜在空間を学習した。3種のサンプリング戦略（多様性生成・近傍探索・潜在補間）を提供し、スキャフォールドホッピング・アナログ生成・多目的分子設計を支援する。

本論文は、PROTAC（PROteolysis TArgeting Chimera）分子設計のための深層生成モデルを網羅的にレビューし、初の定量的ベンチマーク評価を実施した研究報告である。PROTACは標的タンパク質（POI）結合ワーヘッド・E3ユビキチンリガーゼ結合リガンド・両者を繋ぐフレキシブルリンカーの3ドメインから構成される。従来の阻害剤と異なり、触媒的に機能してより低用量・低毒性・高選択性で機能するため、アンドラッガブルタンパク質への適用も期待される。40件のPDB PROTAC三元複合体を用いて、6モデル（＋Mol2Mol 5モード）を8指標で比較し、モデル選択の実践的ガイドラインを提示している。

本論文は、3D形状類似性を保持しながら構造的新規性を実現する分子生成フレームワーク「Diff-Shape」を提案する。事前訓練済みの3D拡散モデル（MIDI）をバックボーンとして凍結し、画像生成のControlNetに着想したGraph ControlNet（GrCN）ブランチを追加訓練することで、参照分子の3D形状を条件とした分子生成を実現する。また、推論時のサブストラクチャインペインティングにより、ユーザーが指定したフラグメントを保持しながら残りの部分を形状制約下で新規設計する機能を持つ。KRAS G12DおよびEGFR C797Sへの適用でnMオーダーの生化学活性が実験確認されており、形状制約生成モデルとして初の湿式実験検証例である。

量子力学（QM）計算の高精度・疎性と分子動力学（MD）シミュレーションの低コスト・ノイズ性という「忠実度ギャップ」を解消するため、SE(3)同変グラフニューラルネットワークを基盤とした動的不確実性重み付き多粒度coattentionフレームワーク（DUW-MGCA）を提案する。異分散的不確実性推定をattention biasとして組み込み、高エネルギー・非平衡MDフレームを適応的に抑制しながらQM/MDの両情報を融合する。さらにground-truth force label不要の弱教師あり物理正則化によって予測エネルギー勾配の物理的妥当性を担保する。 HiQBind-MISATOベンチマークでRMSE 0.979 kcal/mol、MAE 0.823 kcal/mol、Pearson R=0.

MolMod は、薬学研究者がリード化合物の特定サイトを指定するだけで ADMET 最適化フラグメントが自動生成される、サイト特異的フラグメントベース分子最適化プラットフォームである。GPT 型トランスフォーマー（8層・8ヘッド・256次元）を ZINC20 の 8.3M 分子で事前学習し、ChEMBL 由来 30,481 フラグメントでファインチューニングした生成モデルが中核。ADMET 予測には SVM・LinearBayesianRidge・DeepForest・RDKit2D・CNN・AttentiveFP・AttrMasking・ContextPred の8モデルアンサンブルを使用。ウェブサービスとして無償公開されており、ローカルインストールや計算資源は不要。