📚 週次論文レビュー — 🤖 機械学習・AI

化学言語モデル（CLM）と強化学習（RL）を組み合わせた de novo 分子生成において、REINFORCE アルゴリズムの各拡張コンポーネントを体系的に再評価した論文。具体的には Moving Average Baseline（分散削減）、Hill-Climbing（上位 k 割サブサンプリング）、Experience Replay（優先度付きバッファ）、そして新規リワードシェーピング（α/σ 分離制御）の4つの直交的な拡張を MolOpt 23 タスクベンチマークで評価し、最後に Boltz-2 を報酬モデルとしてアロステリック JNK3 リガンドの de novo 設計に適用した。

RLMolLMは逆分子設計（目的プロパティを持つ分子を直接生成する）における3つの主要な課題—(1) SMILESの文法的妥当性、(2) 複数プロパティの同時最適化、(3) 構造制約下での生成—を解決するため、事前学習済みBERT型マスク言語モデルにPPO（Proximal Policy Optimization）強化学習と遺伝的アルゴリズム（GA）を統合したフレームワークである。再訓練なしに複数の最適化目標（QED・SA・hERG毒性・Caco-2透過性等）へ高速適応できることが実用上の主な利点である。

MAPCliff-WMGRは、分子活性予測における「活性崖（activity cliff）」問題—構造的に非常に類似した分子が劇的に異なる生物活性を示す現象—を専門的に扱う計算フレームワークである。重みつき分子グラフ表現を核心に、修正グラフ構造ニューラルネットワーク（mGraphSNNGAT）と独立特徴マッピング（IFM）モジュールを組み合わせることで、既存手法では困難だった活性崖分子の精密な活性予測を実現した。

環状ペプチドは分子量1000〜2000 Da程度の大環状化合物で、PPI（タンパク質-タンパク質相互作用）など小分子では届かない標的に対して高い選択性・親和性を持つ有望な治療モダリティである。しかし細胞膜透過性と水溶性の同時充足が困難であり、2002〜2024年のFDA承認17品目のうち細胞内標的に作用するのは1品目（ボクロスポリン）のみである。現行の設計ヒューリスティックは「疎水性アミノ酸を最大化する」というもので、極性・電荷を持つアミノ酸を多く含む環状ペプチドは系統的に除外されてきた。 本研究のPEGASUSは、BakerとAsherらが開発した多モーダルAIモデルスイートで、このパラダイムを打破する。(1) mRNAディスプ…

ペプチドは高い親和性と選択性を持ち創薬スタートポイントとして有用だが、経口吸収性・代謝安定性・膜透過性に難があり、そのままでは医薬品になりにくい。本研究のEDWARDは、ペプチド-受容体複合体から鍵となる結合相互作用を薬効団クラウドクラスターとして抽出し、その幾何学的・役割的制約のもとでフラグメントアセンブリを行って低分子リード候補を設計するE(3)等変GNNフレームワークである。エンドツーエンドのスキャフォールド学習を避け、「幾何学ファーストのモジュール式アセンブリ」を採用することで、アノテーション依存度を下げながらコンフォメーション・鎖長・トポロジーをまたいで安定した低分子変換を実現した。

ホーチミン市薬科大学のLong-Hung Dinh Phamらが提案した、「企業の公開サロゲートデータ（予測ラベル）を活用した多タスクGNN事前学習→小規模実験データでのファインチューニング」戦略。AstraZeneca（AZ）が公開したCC-BY 4.0サロゲートデータ（43万分子のLogD/KSOL/HLM予測値）とNovartis（27万分子、16エンドポイント）を事前学習データとして使い、Graph Isomorphism Network（GINnet）を訓練後、ASAP-Polaris-OpenADMETチャレンジの実験的ADME競技データ（各タスク300〜425化合物）でファインチューニングした。コンペ本番で4位（MAE…

Simulations Plus社のVladimir ChupakhinとJohn DiBellaによる、PolarisHub抗ウイルスADMETコンペティション（3位）の解法報告論文。中心的なアイデアは「記述子ファースト（Descriptor-First）」戦略であり、複雑なGNNや大規模分子Transformerを使わず、ADMET Predictor v12（AP12）の既存QSARモデル出力を meta-feature として再利用することで、小規模データ（301〜425化合物）でのADMET予測を高精度化した。最終的にTabPFN（合成タブラーデータ事前学習Transformer）をシングルタスク回帰器として採用し、Cat…

創薬の計算化学ワークフローは高度に細分化されており、分子ドッキング一つを実行するだけでも、リガンドのプロトネーション・エネルギー最小化・タンパク質の修復・ドッキンググリッド定義・後処理・相互作用解析・可視化という多段階の専門的ツール操作が必要である。BioChemAIgentは、MCPプロトコルを基盤に19種類のソフトウェアパッケージと27のツールを統合し、これら一連のワークフローをLLMエージェントが自律的に計画・実行できるようにしたフレームワークである。ハンブルク大学医療センター（UKE）が開発し、ソースコード・ウェブインターフェース・コミュニティレジストリをすべてオープンに公開している。

創薬における分子設計のAIアプローチは長らく「de novo設計」と「フラグメントベース設計（FBDD）」という二つの流派に分断されていた。de novo設計は新規スキャフォールドを生成できる一方でドラッグライクネスや結合モードの品質が低い傾向があり、FBDDはSAR知識を活かせる一方で既存フラグメントの枠内に縛られるという限界があった。UniLingo3DMolはこの両者を単一のトランスフォーマー言語モデルに統合し、「ポケット認識型de novo設計」と「フラグメント保持型3D設計」を同じアーキテクチャ・同じ重みで実現する。北京大学・StoneWise社・中国科学院物理研究所のグループが開発し、CBL-B阻害剤の実用的な創製に成功…

Boston UniversityのLazou、Joseph-McCarthyらはAlphaFold3（AF3）がクリプティックポケット（タンパク質コンフォメーション変化によって露出する隠れた結合サイト）を予測できる能力を系統的に評価した研究である。クリプティックサイトはアロステリック制御・PROTACs・分子グルーなど創薬的に重要な結合部位だが、古典的なドッキングでは静的構造にしかアクセスできないため予測が困難だった。本研究ではAF3を既知リガンドと共に複数シードでアンサンブル実行（500モデル）することで、クリプティックサイト形成に必要なコンフォメーション変化を再現できることを示した。BLG、KaiB、MAPK等16タンパク質の…