📚 週次論文レビュー — 🤖 機械学習・AI

科学的設計推論（Scientific Design Reasoning）をLLMで評価するベンチマーク SciDesignBench と、科学フィードバックからの強化学習フレームワーク RLSF（Reinforcement Learning from Scientific Feedback）を提案した論文である。物理・化学・生物学・材料科学など14ドメインにわたる520のタスクで構成されており、LLMが科学的設計問題を解く能力を体系的に評価する。特に分子設計・材料設計タスクにおけるLLMの推論能力向上に直結する重要な研究である。

構造ベース創薬（SBDD）の深層学習手法を包括的に評価するベンチマーク研究である。既存の親和性予測・ポーズ予測・ポケット検出手法15種を、単純な結合親和性以外の多様な評価軸（選択性・ADMETプロファイル・合成アクセス可能性・生物活性）で体系的に比較した。TMLR 2026（Transactions on Machine Learning Research）に採択された査読付き論文であり、SBDDコミュニティへの信頼できるリファレンスとなる。

タンパク質-リガンド結合親和性予測において、原子レベルの詳細な表現ではなく粗視化（coarse-grained）分子表現を用いることで、計算コストを大幅に削減しながら高精度を維持するフレームワーク TerraBind を提案した論文である。粗視化表現によって入力特徴の次元を削減し、モデルの学習・推論を高速化しつつ、Boltz-2 等の最先端モデルを約20%上回る精度を達成した点が核心的な貢献である。推論速度は既存のアトミックモデルと比較して約26倍の高速化を実現しており、仮想スクリーニングへの実用的な適用が視野に入る。

明示的なステップバイステップの薬理学的推論を分子最適化プロセスに統合したLLMフレームワーク「DrugR」を提案した研究。ドメイン特化継続事前訓練・逆データエンジニアリングによるSFT・自己均衡型マルチグラニュラーRLという3段階の訓練パイプラインを採用し、ADMET複数特性を同時改善しながら元分子の構造類似性と標的結合親和性を保持する。各最適化ステップに人間可読の薬理的根拠テキストを生成することで、ブラックボックス最適化の「なぜ?」問題を解決する。

リード最適化を「バリデーション済み反応テンプレートで定義された合成制約アクション空間上のMDP（マルコフ決定過程）」として定式化し、tool-augmented LLMエージェントが状態依存の適用可能な変換を動的に絞り込み、GRPOポリシーが長期オラクル報酬を最大化するフレームワーク「MolReAct」を提案した研究。Emory大学のLiとYangらによる。全ての最適化ステップが反応テンプレートに基づくため合成経路付きで出力される点が最大の実用価値。

LLMを用いたinstruction-based分子最適化においてSFT（Supervised Fine-Tuning）とRLVR（強化学習with検証可能報酬）が抱える根本的問題を同定し、両者を統合する訓練アルゴリズム「RePO（Reference-guided Policy Optimization）」を提案した研究。香港バプティスト大学のLiらによるICLR 2026採択論文。SFT-onlyのanswer-only設定では推論過程が崩壊し、RLVR-onlyでは類似度制約下で有効探索が希薄化して収束が遅い。RePOはRL探索項と参照分子への教師あり誘導項を同時適用することでこれら問題を解消する。