バイオRxiv発表：APOSMがペアワイズ優先学習でジェネラティブ小分子設計を改善、リード最適化を加速

bioRxiv アメリカ

概要

bioRxivで発表されたAPOSMは、絶対スコアの代わりにペアワイズ優先学習を用いてサロゲートモデルを強化することで、ジェネラティブ小分子設計を改善するアクティブラーニングアルゴリズムです。この手法は、フラグメントベースのジェネレーターとメッセージパッシンググラフニューラルネットワークを組み合わせ、分子最適化ベンチマークにおけるターゲット達成率とサンプリング効率を向上させます。これにより、スクリーニング測定のノイズやスパース性によって生じるリード最適化の課題に対処することを目指しています。

詳細

主要成果

bioRxivにプレプリントとして公開された研究により、APOSM（Active-learning with Pairwise Preference for Small-Molecule design）という新しいアクティブラーニングアルゴリズムが導入されました。APOSMは、従来の絶対スコアに依存するのではなく、ペアワイズ優先学習を用いてサロゲートモデルの精度を高めることで、ジェネラティブな小分子設計能力を大幅に改善します。

技術・臨床詳細

APOSMは、分子設計における探索的アプローチと最適化アプローチを効果的に統合しています。具体的には、このアルゴリズムは以下の主要な技術要素を組み合わせています。

• フラグメントベースのジェネレーター: 分子を構成する既知の化学フラグメントを基盤として、新しい化合物を生成する。
• メッセージパッシンググラフニューラルネットワーク (MPNN): 分子の構造情報を効率的にエンコードし、その特性を予測する。
• ペアワイズ優先学習: 従来の「良いか悪いか」の絶対評価ではなく、「AはBより良い」という相対的な好み（ペアワイズ優先度）から学習する。これにより、ノイズが多い、あるいはデータが疎らなスクリーニング測定環境においても、より堅牢なサロゲートモデルを構築できる。

この組み合わせにより、APOSMは分子最適化ベンチマークにおいて、ターゲット分子の特性（例：結合親和性、選択性）達成率を向上させるとともに、有望な候補分子を効率的にサンプリングする能力を高めます。特に、リード化合物の精製プロセスで直面する、実測値のノイズや不完全性といった課題に対する有効な解決策を提供します。

背景・業界文脈

小分子創薬の初期段階、特にリード最適化フェーズでは、膨大な数の化合物の中から目的の生物学的特性を持つものを見つけ出す必要があります。しかし、実験的なスクリーニングは高コストで時間がかかり、得られるデータもノイズや欠損が多いことが課題でした。近年、AIを用いたジェネラティブ分子設計が注目されていますが、その性能は学習データの質に大きく依存します。APOSMのようなアクティブラーニングアルゴリズムは、限られた実験データから効率的に最適な学習を行い、AIモデルの性能を最大化することで、この課題に対処しようとするものです。これにより、創薬研究者はより少ない実験回数でより良い分子を設計できるようになります。

今後の展望

APOSMの開発は、AI駆動型創薬における重要な一歩であり、特にリード最適化の効率化に貢献すると期待されます。将来的には、このペアワイズ優先学習の原理が、他の創薬フェーズ（例：ヒット探索、前臨床開発）や、他のモダリティ（例：ペプチド、バイオポリマー）の設計にも応用される可能性があります。スクリーニングデータの質に左右されにくい、よりロバストなAI創薬モデルの実現は、新薬開発のコストと期間をさらに短縮し、より多くの革新的な治療法を患者に届けるための基盤となるでしょう。この技術は、製薬企業がR&Dパイプラインの生産性を向上させる上で不可欠なツールとなる可能性を秘めています。