📅 5月第1週論文レビュー — 🤖 機械学習・AI2026-05-01〜2026-05-07

Memorial Sloan Kettering の Singh と Chodera 一派による Perspective 論文で、AlphaFold 系の Protein Structure Prediction Model（PSPM、ここでは AlphaFold3、Boltz-2、Chai-1 などを総称）が構造ベース創薬（SBDD）で果たしうる役割と、その達成を阻むデータ不足の現状を整理した内容である。著者らは SBDD を単なるフィルタリング工程ではなく Design–Make–Test–Analyze（DMTA）サイクルとして捉え、各段階で PSPM が必要とするタスクをタイア 1〜4 に対応させる「タスク階層」を提示する。

East China Normal University の Wei、Wang、He らによる、化学実験室自動化を「長尾タスクへの汎化」という観点から設計し直した multi-agent ロボット platform 提案。著者らは、既存の自動合成ロボット (Chemspeed、Opentrons、Strateos など) が標準化された手順 (定常的な液体ハンドリング、固定温度反応) では効率良く動作する一方、滴定終点判定、想定外の容器・器具配置、装置エラーからの復帰など現実の研究室で頻発する非標準オペレーションには対応できないと指摘する。

本論文は、AI（特に深層学習）を用いたバーチャルスクリーニング（VS）が大規模化合物ライブラリからのヒット化合物同定をどのように加速するかを包括的にレビューした学生論文である。CNN（Convolutional Neural Network）と GNN（Graph Neural Network）のハイブリッドアーキテクチャを中核手法として実装・評価し、従来の分子ドッキングベースのスクリーニングと比較している。ChEMBL・PubChem・ZINC の大規模公開データベースから取得した化合物データを SMILES 文字列および分子グラフ表現で入力し、教師あり学習で活性/非活性を予測するモデルを構築した。主な成果として、ハイブリッドモデルが AUC 0.

FlowDock は Bayesian Flow Networks（BFN）を基盤とした統合マルチタスクフレームワークであり、タンパク質-リガンドのブラインド柔軟ドッキング・ポーズランキング・結合親和性予測の 3 つのタスクを単一モデルで同時に解く。タンパク質の入力として残基配列＋AlphaFold2 予測の粗粒化 3D 構造を、リガンドとして SMILES＋RDKit 初期化 3D 配座をマルチモーダル入力として採用し、グラフ埋め込みに変換したうえで BFN が潜在空間で逐次的に精密化を行う。

NumMolFormer は官能基（Functional Group, FG）の「種類・数・位置」を明示的に制約として扱う SBDD（Structure-Based Drug Design）向け分子生成フレームワークである。Transformer を基盤として、デュアルシーケンス入力戦略（化学テキスト列＋数値列の並列入力）と専用の数値埋め込みモジュール、デュアルストリーム差分アテンション機構を組み合わせることで、標準 Transformer の数値推論に対する帰納バイアス欠如という弱点を補う。

本研究は、汎用小分子対応の機械学習原子間ポテンシャル（MLIP）であるAIMNet2を、マクロサイクリックペプチドのコンフォメーション解析に拡張する手法を提案する。マクロサイクリック化合物（環状ペプチド、マクロサイクリックPROTACなど）は、12〜36原子の骨格リングを持ち、分子内水素結合・van der Waals接触・cis/transアミド異性化が複雑に絡み合うため、コンフォメーションエネルギーの正確な予測が非常に困難である。DFT計算は精度が高いが1,000コンフォマーを網羅的に評価することは計算コスト上困難であり、MLIPによる代替が求められていた。

コンピューター支援合成計画（CASP）ツール—特にAiZynthFinder—が生成する逆合成経路は、専門家化学者が実現可能性を評価してはじめて実用に供される。しかし17名の専門家を50経路の評価に動員するコストは高く、LLMによる自動評価の可能性を探った研究が本論文である。AstraZenecaとChalmers大の共同研究チームが、Claude Sonnet 4.5, GPT-4.1, GPT-o3, Gemini 2.5 Proの4種LLMと17名の専門家化学者の評価結果を体系的に比較した。評価は反応毎（reaction-level）の明確カテゴリ採点と経路全体（route-level）のホリスティック採点の2段階で行われ、LLMと人間多数決の一致度をMCCで定量化した。

SMARTS-RX 官能基記述子（406 パターンからなる階層的化学環境オントロジー）を条件トークンとした decoder-only autoregressive Transformer「VeGA-RX」と、そこに Bemis-Murcko スキャフォールドも組み合わせた「VeGA-SCX」を提案する論文である。~0.8M パラメータという軽量モデルながら、明示的・解釈可能な化学制約（曖昧な自由文プロンプトでなく SMARTS パターン）によって精密な de novo 分子生成を実現する。サンプリング温度 T=0.6 によるドラッグライクネス向上も実証し、強化学習（RL）なしで化学品質を制御できることを示した。

TripleBind は、アミノ酸配列情報のみを入力として、タンパク質残基が DNA・RNA・小分子リガンドと結合するかどうかをバイナリ分類する深層学習フレームワークである。構造情報（3D座標・MSA）を一切必要とせず、3つの事前訓練プロテイン言語モデル（pLM）の埋め込みと、自設計の Multi-Branch Convolutional Network (MBCN) + Squeeze-and-Excitation（SE）層を組み合わせた統合アーキテクチャで、配列ベース手法としての SoTA（状態最先端）を更新し、一部指標では構造ベース手法にも迫る性能を示した。

Insilico Medicine 等の研究グループによる Nature Reviews Drug Discovery のレビュー論文。AI 技術（GNN、大規模言語モデル、生成 AI、基盤モデル）が医薬品ターゲット同定・評価プロセスのどのステップでどのように機能しているかを包括的に整理している。伝統的なターゲット同定（ゲノム解析・動物モデル）から、GWAS/causal inference、知識グラフ + GNN、Cell Painting + 機械学習、LLM による文献マイニング、生成 AI による構造ベースターゲット探索まで幅広い手法をカバーしており、現状の課題と将来展望も論じている。