2026-11-12 のダイジェスト

構造が変わったからといって、イオン結合状態が実在する証拠にはならない。AF3はK+を置けばモデルを素直に変えてくる。どちらの結果も信じる前に、SAXS、NMR、CDなどの実験データと照合し、イオンの配置がG-quadruplexの典型的な配位幾何に合っているかを確認したい。天然変性の標的では、K+の有無のペアはMDで絞り込むための仮説として扱い、そのままドッキングに使う構造とは見なさない。

一回膜貫通タンパク質は、膜ドッキングやMDのセットアップで扱いにくい部類である。仮定する傾きや疎水性厚みによって、細胞外ドメインの配置が妥当かどうかが変わるからだ。信頼して使う前に、配向済みモデルを実験構造やOPMのエントリーと比べてどの程度一致するかを確かめたい。また、AlphaFoldが出すのは静的な単一コンフォメーションなので、リガンド結合時に構造が変わりうる受容体型ターゲットでは注意が必要だ。

化学者パネルとの一致度は、聞こえほど厳しい指標ではない。ルートの実現可能性は主観的で、紙の上できれいに見えるルートを好むモデルでも高いスコアが出うる。自分たちのシリーズで確かめたいのは、後期段階の選択性の問題や厄介な保護基操作のような、失敗が分かっているステップをきちんと指摘できるか、そして学習データと似ていない骨格でも通用するかどうかだ。

「低い計算コストで同等」という主張は、ホールドアウトがスキャフォールド分割やクラスター分割であって初めて意味を持つ。公開ADMETデータのランダム分割は近傍化合物の参照を有利にし、化合物と既存薬を結ぶネットワークは特にこの種のリークを起こしやすい。自社シリーズに使う前に、社内データの時系列分割でChempropなどのマルチタスクのベースラインと比較し、学習空間から遠い天然物骨格での予測の較正も確認したい。

予測値の予測で学習すると、教師モデルのバイアスを引き継ぐ恐れがある。実測との相関だけでなく、同じホールドアウト化合物で教師モデルと直接比較した結果を見たい。自分のシリーズなら、学習空間外の新規ケモタイプでも不確実性フラグが機能するかを確かめる。ADMEモデルが崩れやすいのはまさにそこだからだ。

ショーケースの3系は、ソフトが動くことは示しても、数値が正しいことまでは示しません。知りたいのは、親和性が既知のコンジェナー系列で、同程度のコストでMM/GBSAやFEP+より実験値との誤差が小さいかどうかです。オプションを説明するLLMも、荷電リガンド、柔軟なループ、力場の選択でデフォルトが妥当でなければ役に立ちません。

ポケットを見ていないモデルがより良いドッキングスコアを出すのは、成果というより警告サインだ。ドッキングは分子の大きさや脂溶性を高く評価しがちなので、出力が単にベースラインより大きい、あるいは油っぽいだけではないか確認したい。自分のプロジェクトなら、リガンド情報しかない標的で既知活性体と比較し、合成可能で新規性のある骨格がどれだけ得られるか、ファーマコフォアの元になったリガンドの類似品にとどまらないかを見る。

E3系2つと少数の変異体だけでは「予測的」と呼ぶには根拠が薄い。未見のケモタイプに対する盲検的・前向きなランキングで確かめたい。複合体ごとのアンブレラサンプリングはMM/GBSAよりはるかに高コストで、グルーの協同性は三者複合体で誘起されるタンパク質間接触に左右される。自分たちのグルーシリーズでは、GPU時間を投じる前に、既知のSARの崖を再現できるかをまず試す。