2026-11-15 のダイジェスト

1,600超の予測で検証済みバインダーが2つ、ヒット率は約0.1%。化学的な既知情報が乏しい標的では、これが偽りのない数字だ。勝った手法は特許阻害剤に頼っており、既知リガンドのデータが純粋な構造ベーススコアリングをなお上回る点が実用的な教訓になる。次の一手として、2つのヒットが単一の読み出しではなく直交アッセイで確認されたかを見ておきたい。

CrossDocked2020でドッキングスコアが改善したというのは、最も弱い種類の成果だ。記憶機構が学習する信号そのものがドッキングなので、ループが単にスコア関数に過適合している可能性があり、ベンチマークと訓練データのポケット重複も汎化の評価を曖昧にする。同じ計算量でのポケット条件付き拡散モデルとの比較と、数標的でのMM-GBSAやFEPによる再評価を求めたい。それがなければ、LLMで包んだドッキング最適化器にすぎない。

注目すべきは同一化合物の研究間のばらつきだ。測定法、pH、イオン強度、対イオンの違いが、モデル改良の差を埋もれさせうる。論文単位の分割は妥当なリーク対策だが、合成して実測する前向き検証は報告されていない。シリーズ補正は実務でそのまま使える。類縁体を2～3個測定し、残りの順位付けに生かせばよい。

シナジー予測モデルはランダム分割ではまず失敗せず、薬剤や細胞株が未知のときに崩れる。そのため未知薬剤での評価を最初に確認したい。DrugComb系のラベルはノイズが多くバッチ依存でもあるため、重なり合うデータセット間のリークや、チューニング済み勾配ブースティングとの比較を確かめたい。上位ペアの実験的確認がない以上、証拠ではなく優先順位付けの補助と見るべきだ。

「既報モデルと同等」という点こそ疑うべきだ。同じ細胞アッセイデータで分子フィンガープリントのモデルが同程度の精度を出すなら、シミュレーションのコストで得られるのは解釈性だけになる。官能基ごとのエネルギー寄与は確かに魅力だが、信頼する前にスキャフォールド分割や時間分割での検証と、自分たちのプロジェクトの保持シリーズでの確認が要る。トランスポーターの影響を含む細胞アッセイのラベルでは、受動拡散の物理モデルの精度に上限がかかる。

接触面積による重み付けは試す価値がある。距離カットオフでは拾えない埋没表面やパッキングを反映でき、ボロノイセルの計算も軽い。ただ、結合部位ベンチマークは相同タンパク質や共通リガンドを介したリークが起きやすく、P2Rankや最近のGNNとの差も小さいことが多い。見出しの数字を信じる前に、配列同一性で分割されているか、アポ構造やAlphaFold構造でも通用するかを確認したい。

in vitroで検証された候補が1つだけでは、評価対象のモデル自体を適合度関数に使う設計ループの妥当性は示せない。焼きなまし付きGAはスコアラーの死角を突くので、親抗体より予測親和性が高くなるのは構造上当然である。スコアの高低にまたがる10数個の設計体でSPRやBLIを行い、ESM系の尤度や構造ベースのベースラインとも比べたい。

ペプチドのADMEデータは少量でノイズが多く、アッセイ条件もばらばらだ。Caco-2、PAMPA、半減期、クリアランスを1つのモデルで扱うなら、データ分割の設計を厳しく見るべきである。類似配列をランダムに分けると性能は水増しされる。テストセットが配列やスキャフォールドでクラスタリングされているか、自社の環状・修飾ペプチド系列で単純なベースラインを上回るかを確かめてから数値を信頼したい。