2026-11-14 のダイジェスト

新規の実験的結合データがない点がまず気になる。既存のフィットネスデータやin silico予測器での評価は、関連モデルが設計をスコアする場合に循環性を招きやすい。とはいえ、オフターゲット回避が空間内の「方向」で済む潜在空間は魅力的だ。次の一手は、オフターゲット考慮設計を含む数本でのSPRかITC。選択性の差が実測でも残るかを確かめたい。

独立で加算的なピクセルという仮定は便利な方便にすぎない。実際のSARは非加算性や配座の連動、アクティビティクリフだらけで、規模の見積もりもこの仮定の精度までしか信用できない。しかもDELのリード数は親和性の雑なプロキシだ。ライブラリ規模の式を信じる前に、ヒット周辺の小さな集合をDNAなしで合成して測るほうが先だと思う。

報酬を与える分類器と、評価に使う分類器が同じ生成器を、私たちは信用できるだろうか。ここで典型的なのは報酬ハッキングで、言語モデルが好む配列を方策が見つけても、実際の膜は透過しないことがある。実プロジェクトで使うなら、数本の設計について細胞取り込みと毒性の実測、さらにエンドソーム捕捉の確認が欲しい。CPPデータベースで学習した分類器はそこまで拾えないことが多い。

月曜はまずCROWNを取得し、再学習の前に類似性アノテーションを自社ターゲットと突き合わせる。CASF-2016での首位は弱い証拠で、このベンチマークは飽和しており、PDBの学習データとの重複も大きい。ドッキングとスクリーニングでの横並びのほうが正直なシグナルだろう。評価は後ろ向きのみ。肝心なのは、修復済み構造が自社シリーズで効くかどうかだ。

3種類の分割のうち、新規ターゲットへの汎化を実際に問うのはファミリー単位の分割だけだ。ランダム分割では、ほぼ同一の複合体が分割間にまたがって漏れ込む。それでもPPIのΔΔGデータは小規模で冗長性が高く、不安定化方向やアラニン置換に偏っている。13のベースラインに勝っても、実際の親和性成熟でFEPや経験的ツールと並べたとき通用するかは分からない。欠けているのは前向き検証だ。

選択性スクリーニングでオフターゲットのポケットを洗い出したいなら、アライメント不要のマッチングは理にかなっており、距離を関数として扱う発想はfpocket系記述子につきまとう恣意的なカットオフ問題を避けられる。ただし後ろ向きの3ベンチマークでは、アポ構造や誘導適合したポケットでの挙動はほとんど分からない。自分のターゲットファミリーでSiteEngineやグラフベースの比較手法と直接比べてから信頼したい。

再列挙したSMILESでモデルの予測が変わる経験がある人には既知の話が多いが、実用的なのは摂動試験の発想だ。自分のプロジェクトなら、ベンチマークの改善を信じる前に走らせる。SMILESのランダム化、互変異性やプロトン化状態の入れ替えを行い、誤差が表現に由来するのかモデルに由来するのかを見る。ただ前向きデータがない以上、どの対策が効くかまではこのPerspectiveでは分からない。

既製の埋め込みモデルを採用する前なら、私はモデルカードではなくトークナイザーと微調整スクリプトを開く。下流ベンチマークが非異性体SMILESで回されているなら、そのモデルがキラリティを区別できるかは測れておらず、報告された性能向上は立体が効くSARについて何も語らない。まず自前の評価にエナンチオマーやジアステレオマーのペアを加えて確かめたい。