2026-11-04 のダイジェスト

学習カットオフ後の構造で検証した点は妥当だが、閾値は同じ後ろ向きデータ上で調整・適用されており、自分の標的では緩む可能性が高い。シード数を増やすと、誤ったポーズまで一貫して出てきてしまわないか、という点も気になる。ランク付けが本物かは、2~3本のナノボディでのエピトープビニングか変異導入実験で確かめるべきだ。

これは根拠ではなくテンプレートとして扱うべきだろう。キナーゼ系列でhERGや肝毒性が広くフラグされるのは、感度が過剰なモデルがまさに示す挙動で、実験データも他の予測器との比較もないため、フラグの割合は解釈できない。次の一手は、アッセイ結果が既知の自社系列で走らせ、順位付けを信用する前にキャリブレーションを確認することだ。

ヒット3種は成果だが、欠けているのは試験した化合物数に対するヒット率と、ドッキングのみ・類似性のみといった単純なベースラインとの比較だ。それがなければコンセンサスの価値は証明されていない。実務では、五量体ペプチドの活性が真の受容体薬理なのか、中程度の効力に最適化の余地があるのかを見極める必要がある。

後ろ向きのin vivoデータで濃縮が見られた点は心強いが、LNPのデータはバッチやラボ間の差が大きいことで知られる。ランダム分割ではなく、脂質骨格やデータセット単位の分割でもルールが成り立つかを確かめる必要がある。加えて、自社の製剤スクリーニングで2、3のルールを試し、イオン化脂質のpKaや配合比の経験則といった単純なベースラインと比べる価値がある。

ここで報酬になっているのはドッキングスコアだけで、生成モデルはスコア関数の癖を突くことで知られている。上位スコアが良いからといって、実際の結合体が得られるとは限らない。見るべきは、同じサンプリング予算で、物性を考慮したフラグメント選択が単純な出現頻度ベースの事前分布に勝るかどうかだ。別の手法や自由エネルギー計算でのヒット再評価と、合成可能性の確認が、実力を見極める近道になる。

「未ラベル」は本当に中立だろうか。リガンドが未報告のポケットの多くは単に未探索なだけで、偽陰性対策として陽性・未ラベル学習は理にかなう。ただし汎化の主張は分割法次第で、相同タンパク質が学習側と評価側に混在すれば、スコアは実力以上に見える。自分の標的クラスや、後に創薬に成功したポケットでの検証が試金石になる。

第1ラウンドが既知阻害剤の類縁体にとどまったことは、生成モデルが学習データ中の既存JAKケモタイプに強く依存した可能性を示す。第2ラウンドの活性向上も、馴染みのある骨格の最適化にすぎないかもしれない。手動設計やランダム選択との対照群がなければ、閉ループ自体の付加価値は判断できない。活性だけなら改善しやすいので、JAKパラログ間の選択性データの確認も欠かせない。

エンジン間で精度が同等ということは、上限を決めているのは積分器ではなく共有された力場とセットアップだと示唆する。しかも定番ベンチマークは、どのエンジンも最も調整されてきた領域だ。より公平な試験は、結果が既知の自社の同族系列で、電荷が変わる変換やスキャフォールドホッピングの辺も含めて行い、反復計算の一致度を比べることだろう。