2026-11-02 のダイジェスト

予測ポケットの大半がホロ型の側にあるため、AlphaFoldを使ったドッキングのベンチマークは、予測力よりPDBの偏りを評価している面がある。そのため、公開されたポケットごとのラベルは、モデルにドッキングする前のトリアージとして手軽に使える。ただし解析は後ろ向きで本来のリガンドに限られ、新規骨格での挙動は未解明のままだ。

五則に基づく性質での条件付けは一番面白みのないつまみだ。うちのプロジェクトが躓くのはlogPではなく活性と合成である。部分構造の条件付けが意味を持つのは、フラグメントやファーマコフォアの制約を確実に守らせられる場合だけだ。前向きの合成やアッセイのデータがなく、既存のグラフ拡散モデルとの比較も不明では、SMILES生成器にフィルターを足した方法を上回るのか判断できない。コードが公開されているかが試すかどうかの分かれ目になる。

GNNが唯一明確に勝った点は、グラフ構造ではなく記述子による特徴量化の効果に見える。報告されているGNNの優位の多くも同様ではないかと疑ってしまう。公開のTDC 6タスクで前向き検証もなく、自分のシリーズについて言えることは少ない。持ち帰るべきは、同一のチューニング予算、検証データのみでの選択、複数シード中央値というチェックリストで、ベンダーの主張を吟味する際に手軽に使える。

価値があるのは予測器そのものより、それを検査する手順のほうだ。k-merロジスティック回帰を層化交差検証で測っても、新規スキャフォールドについてはほとんど何も言えず、見かけの性能は過大になっていそうだが、厳格な分割の数値も実験での追試もないので、その程度は分からない。引き継ぐペプチドモデルには、このチェックリストを流用したい。

LPTの新規性は上限付きのオーケストレーション層であり、新しいバインダー設計手法ではない。文献テストも検索ありが検索なしに勝つと示しただけで、ハードルは低い。実験データがなければ構造予測モデル間の一致は弱い根拠で、それらは学習上の偏りを共有している。自分のプロジェクトなら、通常のRFdiffusion系パイプラインとのヒット率比較で決着がつく。

既知の抗がん剤の順位が上がったのは、単一のがん種での後ろ向きな濃縮評価にすぎず、空間署名が新規の薬を見つけられる証拠にはならない。実験による追試はなく、リークやベースラインについても要約からは読み取れない。面白いのは腫瘍以外の領域のヒットだが、いくつか実際に検証されるまで判断は保留する。

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。

方法論として新しい点はなく、ファーマコフォア、QSAR、ドッキングを重ねた標準的な絞り込みだ。気になるのはドッキング単独のベースラインと比べたヒット率だが、それは示されていない。デコイによる後ろ向き検証は成績が良く見えやすい。とはいえ、購入可能でBBBを意識したライブラリーから実験でヒットを確認した点は有用で、既知のH3骨格との新規性は先に確認したい。

アッセイが再登場する場面でカテゴリ型IDが効くのは、設計上ほぼリークに近く、この半分の結果は割り引いて見る。新規キャンペーンで意味を持つのは未知アッセイ分割で、そこでのテキスト埋め込みの優位はわずかであり、既存の仕組みを作り替える理由にはなりにくい。前向きな場面で通用するかは、まだ誰も試していない。