📚 2026年5月 月次論文レビュー — 🤖 機械学習・AI

本研究が解こうとするのは、分子設計における「広大な化学空間の探索」と「実験的に合成できることの保証」という二つの要求を同時に満たすという長年の課題である。深層生成モデルは化学空間を高速に探索できるようになったが、生成される分子はしばしば現実的な合成可能性を欠き、有望候補が in-silico に閉じ込められたまま実験室に到達しない。一方で大規模言語モデル（LLM）は膨大な文献から合成プロトコルの知識を内包しているものの、統計的パターンマッチに依存するためハルシネーションを起こし、もっともらしいが実験的に作れない構造を生成しがちである。著者らは、この乖離を埋めるために EvoSyn という進化的マルチエージェント枠組みを提案する。

単一細胞 RNA-seq（scRNA-seq）を主モダリティとする「細胞基盤モデル（single-cell Foundation Model, scFM）」は、数千万〜数億細胞の大規模データで自己教師あり学習した Transformer であり、細胞型注釈・バッチ補正・デノイジング・摂動応答予測などに使われてきた。しかしモデルごとに独自ベンチマークを用いているため、どの設計選択（アーキテクチャ・データ・訓練タスク）が実際に性能を押し上げているのかが不明瞭で、しばしば単純な手法に負けるという否定的報告も相次いでいた。本研究はこの混乱に対し、固定したベースモデルへ機能を1つずつ追加・置換していく「加法的（additive）ベンチマーク」を42シナリオ（うち12が著者らの新規貢献）にわたって実施し、…

本研究は、創薬初期の新規化学エンティティ設計を支援するための de novo 分子生成フレームワーク MolOrgGPT を提案する。中核は ZINC20 から抽出した約8億分子（分子量 250–500 Da、LogP 1–4.5 の Lipinski 準拠サブセット）で事前学習した GPT-2 ベースのデコーダ専用 Transformer であり、M（302M）・L（702M）・XL（1474M）の3変種からなる基盤モデル群である。著者らはこれを既知最大級の化学データセットおよび分子生成 LLM のひとつと位置づける。生成表現には SMILES ではなく SELFIES を採用し、価数違反を構文規則で防ぐことで生成分子が常に化学的に妥当となる点を活かしている。

MatterSim-MT は、無機材料の計算特性評価における二つの根本的制約、すなわち第一原理計算のスケーラビリティの欠如と、タスク特化型機械学習モデルの汎化性の乏しさを同時に克服することを狙ったマルチタスク基盤モデルである。著者らは、89 元素・温度 0–5000 K・圧力 0–1000 GPa という極めて広い空間にわたる 3500 万件の第一原理ラベル付き構造（約 4.5 億の原子力ベクトル）でポテンシャルエネルギー面（PES）を事前学習し、その上に Bader 電荷・磁気モーメント・Born 有効電荷（BEC）・誘電行列という、エネルギー・力・応力だけでは表現できない物性のヘッドをファインチューニングで付加した。

強化学習（RL）駆動の de novo 分子生成（REINVENT、ペプチド向けの PepINVENT など）は、報酬として予測モデルを組み込むことで望ましい性質を持つ分子へ生成を誘導する。しかし予測モデルには適用領域（applicability domain）があり、RL が広大な化学空間を探索する過程で訓練データから大きく外れた分子を生成すると、予測は信頼できないものに退化する。それでも生のモデル確率は高い値を返しうるため、RL エージェントは「報酬は高いが不確実性も高い」空間へ誘導され、過信した誤予測の分子を量産してしまう。本研究はこの課題を、特に研究蓄積の少ない環状ペプチドの受動膜透過性設計を題材に取り上げ、…

MolRGen は、推論型大規模言語モデル（reasoning LLM）を「de novo 分子生成」というタスクで訓練・評価するための環境を初めて大規模に整備した研究である。数学やコーディングで成果を上げた reasoning LLM は、検証可能な報酬（verifiable reward）が得られるタスクで強いが、創薬の de novo 生成では「目標を満たす分子」が事前に分からないため報酬を定義できず、応用が進んでいなかった。著者らはこの障壁を、参照分子を必要とせず生成時にその場で報酬を計算する「分子検証器（molecular verifier）」を構築することで取り除いた。検証器はドッキングスコアと RDKit による物性を計算して多目的の報酬を返し、評価にも RL 訓練にも同一に使える。

TD3B は、タンパク質のアロステリック制御に着目し、単に「結合する」バインダーではなく「機能的方向性」（アゴニストかアンタゴニストか）を指定して設計できる配列ベースの生成フレームワークである。臨床的に重要な GPCR では、治療効果が受容体を活性化するか不活性化するかという方向性に強く依存するが、RFdiffusion・BindCraft・BoltzGen・RareFoldGPCR といった構造ベース設計手法はタンパク質を固定された対象とみなし、単一コンフォメーションへの結合や界面の安定化を最適化する。そのため非可逆・方向的な効果を表現できず、アゴニストとアンタゴニストを体系的に区別・設計することが原理的にできない。

本研究は GEMGen (Gene Expression-guided Molecular Generator) と名付けた大規模言語モデル (LLM) ベースのフレームワークを提案する。複雑疾患は単一の分子標的ではなく、遺伝子制御プログラム・シグナル伝達・細胞状態遷移といった系全体の協調的変化から生じることが多く、標的中心の創薬では捉えにくい。一方で従来の表現型創薬 (PDD) は疾患関連アッセイのコストとスケーラビリティに制約される。GEMGen はこの隘路を、望ましい細胞状態（表現型）を表すトランスクリプトーム表現から直接低分子化合物を生成するという in silico の生成的アプローチで埋めようとする。

LM2Protein は、タンパク質の三次元構造を離散的な「構造トークン」へ変換し、アミノ酸配列と全く同じ言語モデルの語彙空間で扱うことで、構造予測・逆フォールディング（構造から配列を設計）・RNA結合タンパク質（RBP）を条件とした RNA 設計という複数のタスクを、単一の Sequence-to-Sequence パラダイムに統一する枠組みである。タンパク質の構造と配列の関係は複雑かつ縮退している（複数の配列が類似構造に折りたたまれる）ため、構造情報を言語モデルへ取り込むには通常、コンピュータビジョンや 3D 幾何処理の専用パイプラインが必要で、計算資源やマルチモーダル統合の不整合という問題を招いていた。

ExplainBind は、タンパク質–リガンド結合を「結合するか」だけでなく「どこで」「どの非共有結合の力で」結合するのかまで、三次元構造を一切入力とせずに配列のみから予測する解釈可能フレームワークである。著者らの問題意識は明快で、既存の AI 手法、とりわけシーケンスベースの結合予測モデルはクロスアテンション等で潜在的な残基–原子対応を学習していると主張するものの、その注意パターンが実際に結合を支配する非共有結合の力を捉えているのかは体系的に検証されてこなかった、という点にある。さらに、AlphaFold3・RoseTTAFold All-Atom・Chai-1・Boltz-1 のような構造ベース co-folding モデルは低 RMSD…