📅 5月第3週論文レビュー — 🤖 機械学習・AI2026-05-15〜2026-05-20

SARS-CoV-2の主要プロテアーゼ（Mpro、3CLproまたはnsp5とも呼ぶ）は、ウイルスポリタンパク質の切断に不可欠な酵素であり、ヒト酵素との低相同性から選択的阻害が可能な優れた抗ウイルス標的である。本研究はHazemann・Czodrowskiらが報告したもので、深層強化学習（REINVENT 2.0）による de novo 分子生成と、PheSA 3D薬理団・ML集団（RF/XGBoost/GCNN/E3FP）・複数ドッキングツールによるコンセンサス仮想スクリーニングを組み合わせた多段階パイプラインを構築した。最終的に3つの新規Mpro阻害剤（IC50 1.3〜2.3 μM）を発見し、うち1化合物のX線結晶構造（PDB: 8r16）を取得した。

SMolLMは、わずか53,000パラメータの重み共有（ウェイトシェアリング）トランスフォーマーを用いて薬物様SMILES文字列を生成する研究である。単一のModern GPTブロック（RoPE位置埋め込み＋SwiGLU活性化）をD=8回反復適用（ループ）する「仮想的な深さ」アーキテクチャにより、ZINC-250Kベンチマークで95.3%という高い有効率を達成した。この数値は、同じ構造を持つ非共有GPT（527Kパラメータ、87.6%）を7.7ポイント上回り、10倍多いパラメータを持つモデルを凌駕する点が特筆される。さらに本研究では、重み共有の特性を活かして「モデルがどのようにSMILES文法を学習するか」を機構論的に解明した。

Peter Eastman、Evan Pretti、Thomas E. Marklandら（Stanford大学）が、創薬・分子シミュレーション向けの事前学習済みMachine Learning Interatomic Potential（MLIP）15種を統一条件下で体系的にベンチマークした論文である。評価軸は精度（SPICEテストセット上のエネルギー差MAE）・速度（NVIDIA H100でのsteps/sec）・GPUメモリ使用量・シミュレーション安定性の4点。大量のMLIPが登場し選択が困難になった状況を受けて、開発者非依存の客観的比較基盤を提供することを目的とする。

Microsoft Research AI for Scienceが開発した深層学習交換相関（XC）汎関数「Skala-1.1」を紹介する論文である。密度汎関数理論（DFT）は計算化学・創薬の基盤であるが、XC汎関数の近似精度が長年のボトルネックであった。Skalaはmeta-GGA特徴量（電子密度ρ、密度勾配∥∇ρ∥²、KS運動エネルギー密度τ）のみを入力として、グリッド点間の非局所相互作用を深層学習で直接学習する。わずか385,217パラメータのモデルがGMTKN55ベンチマーク（主族化学55サブセット）でWTMAD-2 = 2.80 kcal/molを達成し、全てのhybrid汎関数を上回った（ωB97M-V: 3.23 kcal/mol）。

Jiang, Wang, Imam, Xu, Shaoら（ケンタッキー大学・南フロリダ大学）が、MDトラジェクトリと配列のコントラスティブ学習によって動的特性を配列表現に埋め込むDynamics-aware Protein Language Model（DPLM）を提案した。既存のプロテイン言語モデル（PLM）はすべて静的な配列または構造を入力とし、タンパク質の動的特性（コンフォーメーション柔軟性・固有無秩序・アロステリクス等）を表現できなかった。

Genie 3は、Columbia大学AlQuraishi研究室が開発した全原子SE(3)同変拡散モデルによるタンパク質設計システムである。タンパク質を「分岐ポリマー」として扱うという概念的転換により、SE(3)同変性を維持しながら側鎖コンフォメーションの全原子レベルの推論を初めて実用的に実現した。従来の最高性能手法であるBindCraft（ハルシネーション）と比較して同等以上の設計成功率を示しつつ、計算コストを大幅に削減（生成速度で数百倍高速）。Nipah Glycoprotein GへのKD≈92 nMナノモルバインダーを8回の試行で実験的に得ており（12.5%実験成功率）、実世界への適用可能性を実証している。

本研究は、AlphaFold3（AF3）・RosettaFold3（RF3）・Boltz-2・Chai-1の4つのタンパク質-リガンドコフォールディングモデルを、キナーゼとGPCRという「機能状態依存型タンパク質」に対してベンチマークした研究である。特定の薬理活性は特定のコンフォメーション状態（DFG-in/out、active/inactive ICL3など）に依存するため、単なるリガンドRMSDではなく「機能状態の正確な再現」を評価軸として採用している。主要な発見は「conformational decoupling」であり、リガンド配置精度（低RMSD）と全体的なタンパク質コンフォメーション状態の回復精度が切り離されていることを実証した。

環状化合物は承認済み低分子薬の99%以上を占めるにもかかわらず、spiro・cage・macrocyclicなど複雑な環系を網羅的に自動分類する手法は存在しなかった。本研究はSSSRアルゴリズムとグラフ理論に基づく新しい分類法「D3Rings」を開発し、ChEMBL（103万件）・DrugBank（11,283件）・COCONUT（406,920件）の3データベースの環系統計を初めて系統的に比較した。さらにVAE・AAE・CharRNNの3種の深層生成モデルを用いて各データベースを10倍規模に拡張し、SARS-CoV-2標的への大規模仮想スクリーニングで「ライブラリ規模の拡張が一様にヒット品質を向上させる」ことを実証した。

JMC・EJMCから24年分（2000-2023年）の論文を体系的に収集し、fragment replacement・ring change・bioisostere置換の3戦略タイプで約9000件の専門家由来分子最適化ペアデータベースを構築した。このデータを活用してGGNN+GRUアーキテクチャのMolOptモデルをEnamineデータベースのMMP事前学習からファインチューニングし、専門家知識と深層学習を統合したAutoOptimizerプラットフォームを開発した。FGFR4とHPK1を標的とした実験検証で、それぞれスタート化合物比77.6倍・51.6倍の活性改善を示す化合物M8（IC50=17.6nM対FGFR4）・M9（IC50=46.5nM対HPK1）を同定した。