📚 2026年5月 月次論文レビュー — 🤖 機械学習・AI

本論文はMastropietroとBajorath（ボン大学）が、フラグメントベース化合物設計に使用されるE(3)-等変拡散モデル（DiffLinker）の予測を説明するため、Shapley値ベースの特徴帰属手法「DiffSHAPer」を開発した研究である。拡散モデルは画像生成から分子設計まで急速に普及しているが、その生成プロセスはブラックボックスであり、分子設計においてなぜ特定のリンカーが生成されるかを理解する手段がほぼ存在しなかった。DiffSHAPerはShapley値を適用してフラグメント原子の寄与を定量化し、「何が生成を促進・阻害するか」を可視化する初めての体系的手法である。

DNA エンコードライブラリ（DEL）は数百万〜数十億規模の化合物を一度にスクリーニングできる技術であるが、得られたカウントデータには高いノイズが含まれており、そのままではヒット化合物の同定が困難である。本論文では、DEL データ解析を標準化・再現可能化するためのオープンソース Python フレームワーク「DeepChem-DEL」を提案し、DDR1 および MAPK14 を標的とした実際のスクリーニングデータ（KinDEL データセット、約 80M 化合物）を用いた体系的なベンチマークを実施している。フレームワークはノイズ除去・特徴量設計・機械学習モデルという3層のパイプラインで構成されており、再現性を担保するための設計方針が一貫して取られている。

MolAgent は、エージェント型 AI（agentic AI）の時代に向けて分子物性推定の end-to-end ワークフローを LLM エージェントが自律的に構築・実行できるようにすることを狙った AutoML 基盤である。著者ら（Johnson & Johnson、Open Analytics、University of Antwerp の共同チーム）は、計算機支援創薬（CADD）における最大のボトルネックは「専門家が手作りするのと同等の品質と信頼性をもつ物性予測モデルをエージェントが自律的に作れないこと」だと位置づけ、その穴を埋める部品として MolAgent を提案している。

本研究は、背骨 N-メチル化アミノ酸（BNMeAA）と D-アミノ酸（D-AA）を含む高度修飾環状ペプチドの三次元構造を、高精度かつ高速に予測する深層学習モデル HighFold-MeD2 を提案している。環状ペプチドは小分子と生体高分子の「中間空間」に位置し、背骨環化による配座エントロピー損失の低減で構造安定性とプロテアーゼ耐性に優れ、PPI（タンパク質間相互作用）標的に対して高い親和性と選択性を発揮しうる創薬モダリティである。膜透過性・代謝安定性・経口バイオアベイラビリティをさらに高めるために N-メチル化や D-体導入といった非天然修飾が頻用されるが、これらは cis/trans 異性化や非典型的な水素結合ネットワーク、局所キラリティの変化を引き起こし、…

本研究は、自然言語の指示だけからタンパク質およびタンパク質-リガンド複合体の分子動力学（MD）シミュレーションを最初から最後まで自律的に設計・実行・解析するモジュール型マルチエージェント枠組み DynAgent（arXiv 公開版の名称は DynaMate、OpenReview 投稿時タイトルは MDAgent）を提案している。MD は創薬やタンパク質工学に不可欠な計算化学の基盤技術である一方、系のパラメータ化・入力準備・ソフトウェア設定といったセットアップ工程が極めてエラーが起きやすく労力を要し、専門知識の障壁が広範な活用を妨げてきた。著者らはこの障壁を、ドメイン知識を持つ LLM エージェントにツール群を操作させることで取り除こうとする。

本研究は化学反応を de novo に生成する深層学習モデルと、それらが吐き出す反応を体系的に評価するための標準化フレームワーク ChemRxnSAGE（Chemical Reaction Systematic Assessment of Generation and Evaluation）を提案する。分子生成については深層学習が大きく進展した一方で、反応そのものを生成し、その妥当性・多様性・新規性を一貫した手続きで評価する研究は乏しかった。著者らはこの空白を埋めるべく、生成（LSTM および VAE）、化学的妥当性のフィルタリング、自動メトリクスによる定量評価、そして専門家を巻き込んだ「化学チューリングテスト」までを一本のパイプラインに統合した。

本研究は、薬剤・タンパク質・疾患という異なる種類のノードと、薬剤-疾患・薬剤-タンパク質・疾患-タンパク質という多型のエッジから成る異種生物医学知識グラフ上で、ドラッグリパーパシング（既存薬の新規適応の発見）をリンク予測問題として解く深層学習モデル MEGCAM を提案している。中心となるアイデアは、異種ネットワーク内の情報集約をどの順序・どのエッジ型に沿って行うかを表す「Meta-Graph」を状態遷移列として自動探索し、さらに causal masking を備えた注意機構によってその経路選択を導く点にある。著者らは Macao Polytechnic University のグループで、本研究は第一著者 Dongqi Liu の学位論文の一部である。

本研究は、創薬における分子物性予測（活性・ADMET）の機械学習モデルに付随する「予測の不確実性をどう信頼できる形で定量化するか」という問題に正面から取り組んだものである。不確実性定量化（Uncertainty Quantification, UQ）は、active learningやML誘導の物性最適化で日常的に使われており、予測が外れる候補を事前に見抜けることは有望な化合物の早すぎる棄却を防ぎ、創薬の成功率に直結する。著者ら（Sanofi の Kötter, Singh, Matter, Hessler, Grebner）は、モデル誤差の主たる発生源を二つに分解する。一つはテスト分子が訓練データの化学空間に十分代表されていないこと（未代表性・dissimilarity）、…

本研究は、創薬において臨床失敗の主要因のひとつである代謝不安定性、とりわけシトクロムP450(CYP450)による速い代謝を回避する分子を de novo 設計するための生成フレームワーク DiffMeta-RL を提案している。承認薬の約75%が CYP450 によって代謝され、CYP2C19 や CYP3A4 による急速なクリアランスは低バイオアベイラビリティや薬物間相互作用を招く。著者らはまず DiffMeta と名付けた離散グラフ拡散モデルを構築し、これを強化学習で拡張することで、薬らしさ・合成容易性・標的結合親和性・代謝安定性といった複数の薬理学的性質を同時に制御可能にした。

QUASAR は、大規模言語モデル（LLM）を中核に据えて原子論シミュレーションのワークフロー全体を人間の介入なしに自律遂行することを目指した汎用システムである。Adelaide 大学の Fengxu Yang と Jack D. Evans によるもので、密度汎関数理論（DFT）、機械学習ポテンシャル（MLP）、古典分子動力学（MD）、グランドカノニカル・モンテカルロ（GCMC）といった理論レベルの異なる手法を、状況に応じて連鎖させながら一つの研究目的に向けて統合的に走らせる。著者らの問題意識は明快で、これまでの agentic な計算化学システムの多くが、ドメイン固有のツール群・細粒度に分割された専門エージェント・固定的なワークフローといった「人手で作り込んだ足場（scaffolding）」に強く依存してき…