事前学習済み埋め込みを線形に整列するだけで、複雑な深層構造に頼らず解釈可能なキナーゼ薬物-標的予測を実現
- 線形モデルがChemBERTaの分子埋め込みとESM-2のタンパク質埋め込みを共通空間に射影し、薬物と標的のコサイン類似度をそのまま親和性の予測値とする。
- 大規模な精選相互作用データで事前学習し、KIBAとDavisのキナーゼベンチマークで評価した結果、著者らは既存手法を上回ると報告している。
- 学習された空間は教師なしでキノームの系統関係を再現し、承認薬の既知標的も検索できるとされるが、検証は後ろ向きで、新たな実験は示されていないようだ。
💡 ポイント アブストラクトに基づく見解
凍結した2つの埋め込みとコサイン類似度だけという素朴さは魅力的だが、だからこそ分割方法が重要になる。ランダム分割では、ほぼ同一のキナーゼ阻害剤が学習側とテスト側にまたがって入り込み、事前学習データがベンチマークのペアと重なっている可能性もある。深層モデルに対する優位を信じる前に、自社のスキャフォールドで採点してみたい。