LearnM8:ドッキングから実測まで、あらゆる評価手法に対応するモジュール型アクティブラーニング
- プレプリント(査読前)。評価関数(オラクル)を差し替え可能な関数として扱うオープンソースのPythonパッケージで、ドッキング、自由エネルギー計算、既存スコア、実測値のいずれでも同じアクティブラーニングの流れで使えます。
- 多数の代理モデル、獲得戦略、分子記述子に加え、サイクル設定、枝刈り、多様性の追跡機能を備えます。
- AmpCとD4の最大1億超規模のライブラリで、既存のドッキングスコアを使い後ろ向きに検証。ごく一部を評価するだけで上位化合物の大半を回収でき、ランダム選択を大きく上回りました。
- バッチを小さくすると回収率は上がるものの計算コストが増え、枝刈りは負荷を減らす代わりに回収率がわずかに下がります。前向き検証は報告されていません。
💡 ポイント アブストラクトに基づく見解
既存のドッキングスコアでの回収率は、代理モデルがドッキング関数を学習できることを示すに過ぎず、ヒットが本当に結合するかは別の話です。しかもAmpCとD4は扱いやすい定番ベンチマークです。実務で意味があるのはノイズの多いオラクルでの検証で、自分たちのアッセイやFEPのデータで、ランダム選択の対照と回収化合物の骨格多様性の確認を付けて試すべきでしょう。
LearnM8: A Simple and Modular Molecular Active Learning Framework for any Oracle ↗